Didžiosios depresijos sutrikimas (MDD) yra sekinanti psichikos sveikatos būklė, kuriai būdinga nuolatinė prasta nuotaika, susidomėjimo kasdienine veikla praradimas, apetito pokyčiai, miego sutrikimai ir, kraštutiniais atvejais, mintys apie savižudybę. Milijonai žmonių visame pasaulyje per savo gyvenimą patyrė depresijos epizodą ir kreipėsi į gydymo ieškančius psichiatrus.
Šiuo metu yra daug depresijos gydymo galimybių, įskaitant įvairių rūšių vaistus ir psichoterapiją, taip pat tikslines intervencijas, kurios derina abu. Nors tyrimai rodo, kad kai kurie iš šių gydymo būdų gali būti veiksmingesni už kitus, žinoma, kad skirtingi žmonės dažnai skirtingai reaguoja į turimus gydymo būdus.
Todėl tam tikram asmeniui tinkamiausio vaisto ir gydymo suradimas gali užtrukti, o kartais tai gali sukelti ilgą bandymų ir klaidų procesą. Taigi veiksmingų strategijų kūrimas, siekiant anksti nustatyti optimalų gydymą konkretiems pacientams, gali būti labai naudingas, nes tai padėtų jiems greičiau pasveikti, nebandant įvairių jiems neveiksmingų vaistų.
Singapūro nacionalinio universiteto ir kitų institutų mokslininkai neseniai atliko tyrimą, kuriame buvo tiriama galimybė numatyti MDD sergančių žmonių reakciją į specifinį gydymą, naudojant funkcinės artimųjų infraraudonųjų spindulių spektroskopijos (fNIRS) ir mašininio mokymosi derinį. Jų darbas, paskelbtas m Vertimo psichiatrijanurodo kai kuriuos biomarkerius, matomus per fNIRS, kurie, atrodo, yra susiję su depresija sergančių asmenų atsaku į gydymą.
„Reakcijos į depresiją žmonėms labai skiriasi“, – savo darbe rašė Cyrus Su Hui Ho, Jinyuan Wang ir jų kolegos. „Nustatyti objektyvius biologinius žymenis su nuspėjamu tikslumu terapiniams rezultatams gali padidinti gydymo efektyvumą ir išvengti neveiksmingos terapijos. Šiame tyrime tiriama, ar fNIRS ir klinikinio įvertinimo informacija gali numatyti gydymo atsaką MDD naudojant mašininio mokymosi metodus.”
Norėdami ištirti fNIRS potencialą ir klinikinius duomenis, skirtus prognozuoti žmonių atsaką į skirtingus depresijos gydymo būdus, mokslininkai atliko išilginį šešių mėnesių laikotarpį. Šiame tyrime buvo tiriami 70 žmonių, kuriems diagnozuota MDD, gydymo atsakai, kurie buvo kiekybiškai įvertinti naudojant klausimyną, skirtą padėti diagnozuoti depresiją, žinomą kaip Hamiltono depresijos vertinimo skalė (HAM-D).
„fNIRS ir klinikinė informacija buvo griežtai vertinama naudojant įdėtą kryžminį patvirtinimą, kad būtų galima numatyti reaguojančius ir nereaguojančius asmenis, remiantis mašininio mokymosi modeliais, įskaitant paramos vektorių mašiną, atsitiktinį mišką, XGBoost, diskriminacinę analizę, Naive Bayes ir transformatorius“, – rašė Ho. Wangas ir jų kolegos.
Mokslininkai analizavo tiek fNIRS duomenis, tiek informaciją, surinktą iš pacientų klinikinių vertinimų metu, naudodami įvairius naujausius mašininio mokymosi modelius. Jų analizė leido jiems atskleisti biologinį žymenį, susijusį su tuo, kaip žmonės reagavo į gydymą, ty baltymo hemoglobino koncentraciją dorsolaterinėje prefrontalinėje žievėje (dlPFC), smegenų regione, susijusiame su vykdomosiomis funkcijomis (ty pažinimo lankstumu, darbine atmintimi ir sprendimų priėmimu). gaminimas).
„Užduoties bendro hemoglobino (HbT) pokytis, apibrėžiamas kaip skirtumas tarp vidutinių HbT koncentracijų prieš užduotį ir po jos, dlPFC reikšmingai koreliuoja su atsaku į gydymą (p < 0,005)“, – rašė mokslininkai.
„Pasinaudojus naiviu Bayes modeliu, vidinis kryžminis patvirtinimas (bAcc = 70 % (SD = 4), AUC = 0,77 (SD = 0,04)) ir išoriniai kryžminio patvirtinimo rezultatai (bAcc = 73 % (SD = 3), AUC) = 0,77 (SD = 0,02)) buvo gauta numatant atsaką, naudojant tik fNIRS duomenis Sujungus fNIRS ir klinikinius duomenis, išorinio kryžminio patvirtinimo rezultatai buvo prastesni (bAcc = 68%, AUC = 0,70), palyginti su tik fNIRS modeliu.
Apskritai šio neseniai atlikto tyrimo rezultatai išryškina mašininio mokymosi, kaip priemonės, leidžiančios ištirti veiksnius, susijusius su tuo, kaip žmonės reaguoja į skirtingus psichikos sveikatos sutrikimų gydymo būdus, potencialą.
Ateityje šis darbas galėtų įkvėpti kitus tyrėjus naudoti mašininį mokymąsi klinikiniams ir fNIRS duomenims analizuoti, taip pat potencialiai prisidėti prie naujų protokolų, skirtų greitai nustatyti optimalias terapines intervencijas asmenims, kuriems diagnozuota MDD, kūrimo.