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

相关资讯

JAMA子刊:重度抑郁症和双相情感障碍与大麻使用障碍存在共同的生理机制

研究结果证实了CUD的家族聚集性。患有BP-II的亲属患CUD的风险增加,表明CUD可能与BP-II有共同的基础病症。

JGH: 炎症性肠病和抑郁症之间存在双向关联

炎性肠病又称炎症性肠病(IBD),为累及回肠、直肠、结肠的一种特发性肠道炎症性疾病。临床表现腹泻、腹痛,甚至可有血便。本病包括溃疡性结肠炎(UC)和克罗恩病(CD)。

Hum Psychopharmacol:高剂量VitB6可能缓解焦虑和抑郁

一项新的研究表明,服用高剂量维生素 B6 补充剂可能有助于减轻焦虑和抑郁的感觉。 来自英格兰雷丁大学的研究人员David Field 报告说,服用 50 倍于每日推荐剂量的年轻人报告说,一个

精彩直播:难治性抑郁高发?原北大六院王向群院长传授诊疗策略!

难治性抑郁“难处理”?听听院长怎么说!

JAMA Network:老年抑郁症患者对艾司西酞普兰反应的功能和结构神经网络特征比较

淡漠在老年抑郁症患者中普遍存在,与药物治疗的不良反应有关。

Translational Psychiatry:抑郁症、认知和记忆表型的多变量全基因组关联研究

除了环境因素外,遗传因素在抑郁症和AD中都起着重要的病因作用。

拓展阅读

【论肿道麻】Lancet子刊:一个针对老年重症监护室患者的机器学习病情严重程度评估模型: 一项有亚组偏移评估的多中心研究

作者主要研究了与老年相关的因素,包括营养状况、活动状态、合并症和抢救意愿等,检查了这些因素的特征重要性,并通过按年龄、性别和种族的亚群中的分辨力和校准性能来评估模型偏倚。

Schizophrenia:首次发作精神病患者功能预后多变量预测模型的交叉验证:基于EUFEST和PSYSCAN的研究

本研究在EUFEST和PSYSCAN两大数据集上开发了首次发作精神病患者的功能预后模型。尽管在单一数据集中模型表现良好,但外部验证中准确率显著下降,反映了外部验证对模型临床应用的重要性。

European Radiology:机器学习和深度学习对脑CT转诊的合理性分类

目前,解决CT过度使用的可用方法包括引入新的诊断成像途径,提供替代成像、专家参与、成像后复核以及将每个转诊者的预约频率与部门平均水平进行比较的反馈。

Cell子刊:基于机器学习的分析识别和验证血清外泌体蛋白质组学特征,可用于结直肠癌的诊断!

该研究表明采用了深入的4D-DIA蛋白质组学和机器学习(ML)管道,从37例发现队列的血清EV样本中鉴定出了用于CRC诊断的关键蛋白PF4和AACT。

【论著】| 基于胸部增强CT影像组学模型用于胸腺瘤分类的研究

本研究旨在建立影像组学分类模型,利用CECT图像区分胸腺瘤的风险组,并验证模型在相对较大的回顾性队列中的可靠性和泛化能力。

European Radiology:基于多参数MRI的机器学习模型预测脑膜瘤患者WHO分级

放射组学利用强大的计算机图像处理能力和多种大数据挖掘方法提取多维特征,尽管这些特征很难从视觉上获得,但保留了与研究相关的信息,如数字加密医学图像(CT、MRI和PET)中的一阶、形状、纹理特征。