使用正面脑电图信号预测抗抑郁药对非侵入性脑刺激的反应:交叉数据集比较和验证
Cheng-Ta Li1, Chi-Sheng Chen2, Chih-Ming Cheng3
1Department of Psychiatry, Taipei Veterans General Hospital, Taipei, Taiwan; Division of Psychiatry, School of Medicine, National Yang-Ming Chiao-Tung University, Taipei, Taiwan; Institute of Brain Science and Brain Research Center, School of Medicine, National Yang-Ming Chiao-Tung University, Taipei, Taiwan; Institute of Cognitive Neuroscience, National Central University, Jhongli, Taiwan.
Journal of affective disorders
|August 14, 2023
概括
使用前脑电图 (EEG) 功能的机器学习模型可以预测重复性跨磁刺激 (rTMS) 和抑郁症间歇性甲基突破刺激 (iTBS) 的治疗反应. 与没有预测相比,这种方法显著改善了患者的治疗结果.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 医疗技术 医疗技术 医学技术
背景情况:
- 重复性跨磁刺激 (rTMS) 和间歇性甲爆刺激 (iTBS) 是FDA批准的治疗治疗耐药性抑郁症 (TRD) 的治疗方法.
- 预测患者对这些神经调节疗法的反应仍然是一个挑战.
- 目前对iTBS和rtMS的预测模型并不理想.
研究的目的:
- 为了比较预测准确性,单单是前额THA活动与机器学习 (ML) 模型使用线性和非线性前额电脑电图 (EEG) 信号.
- 确定最佳的ML模型来预测对rTMS和iTBS的治疗反应.
主要方法:
- 使用了两个数据集 (n=163) 来自随机对照试验和rTMS和iTBS的门诊设置.
- 提取了额头和非线性EEG特征,反映了趋势,稳定性和复杂性.
- 用ML算法分析预处理前部EEG数据,包括支持矢量机 (SVM),随机森林 (RF),XGBoost和CatBoost.
主要成果:
- 使用综合EEG特征 (SVM) 的ML模型的性能优于单独使用正面的theta的逻辑回归.
- 随机森林 (RF) 模型的准确性明显高 (rTMS=83.3%,iTBS=88.9%) 比SVM.
- 接受预先治疗预测治疗的患者表现出显著更高的应答率 (p=0.035).
结论:
- 将线性和非线性EEG特征与ML模型相结合,可以准确地预测对左前额叶皮质iTBS的反应.
- 基于引导式的ML模型,特别是随机森林 (RF),为rTMS和iTBS响应提供了最佳的预测准确性.
