Translational Psychiatry：机器学习提示使用脑电图预测重度抑郁症的治疗反应
2022-08-23 MedSci原创 MedSci原创
在精神病学中选择治疗方案仍然是一个反复试验的过程，这一长期的临床挑战促使人们越来越关注使用机器学习技术的治疗反应预测模型。
在精神病学中选择治疗方案仍然是一个反复试验的过程，这一长期的临床挑战促使人们越来越关注使用机器学习技术的治疗反应预测模型。脑电图（EEG）是预测重度抑郁症治疗反应的一个具有成本效益和可扩展的潜在措施。
近期，有学者通过搜索PubMed、Scopus和Web of Science中1960年1月至2022年2月间发表的文章，分别进行了荟萃分析，以确定使用脑电图区分治疗反应者和非反应者的能力，以及对经颅磁刺激（rTMS）和抗抑郁药的反应进行了亚组分析。结果发表在Translational Psychiatry杂志。
该研究纳入了15项利用机器学习技术预测重度抑郁症患者的治疗反应的研究。在一个由758名患者组成的具有限制性最大似然估计的随机效应模型内，各研究的汇总准确率为83.93%（95%CI：78.90-89.29），曲线下面积（AUC）为0.850（95%CI：0.747-0.890），部分AUC为0.779。各个模型的平均敏感性和特异性分别为77.96%（95%CI：60.05-88.70），和84.60%（95%CI：67.89-92.39）。
在亚组分析中，相对于抗抑郁药（集合准确率：81.41%（95%CI：77.45-94.83，AUC：0.895），在预测对经颅磁刺激的反应方面有更大的表现（集合准确率：85.70%（95%CI：77.45-94.83，AUC 0.928）。此外，在所有的荟萃分析中，EEG模型的特异性（真阴性）大于敏感性（真阳性），这表明EEG模型到目前为止能更好地识别MDD治疗的无反应者
综上，机器学习可以准确预测使用脑电图预测重度抑郁症的治疗反应。
参考文献：
Predicting treatment response using EEG in major depressive disorder: A machine-learning meta-analysis. Translational Psychiatry volume 12, Article number: 332 (2022)
版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#TRA#
103
#Translation#
102
#translational#
86
#Psychiatry#
139
#Transl#
92