面向结果驱动的患者子组:在6项抑郁症治疗研究中进行机器学习分析
David Benrimoh1, Akiva Kleinerman2, Toshi A Furukawa3
1Department of Psychiatry (DB, KP, GT), McGill University, Montreal, Canada; Department of Psychiatry (DB), Stanford University, Stanford, CA; Aifred Health (DB, CA, JM, RF, KP, SI, CP, GG, SQ, AA, MTS), Montreal, Canada.
概括
机器学习可以识别主要抑郁症 (MDD) 治疗的患者个人资料. 这种方法提高了治疗预测和精确治疗抑郁症的药物,改善了临床结果.
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.
- 临床心理学 临床心理学
背景情况:
- 大型抑郁症 (MDD) 是一种复杂的疾病,治疗反应各异.
- 预测MDD的治疗结果仍然具有挑战性.
- 对于MDD的机器学习 (ML) 模型的临床解释性有限.
研究的目的:
- 开发可解释的ML模型,用于预测MDD治疗反应.
- 通过使用临床和人口统计数据来得出患者概况.
- 为了提高MDD的精准医学方法.
主要方法:
- 分析了来自6项抑郁症治疗试验的5438名参与者的数据.
- 使用了差异原型神经网络 (DPNN) ML模型.
- 根据患者数据,训练了一个模型来预测各种治疗方法的缓解概率.
主要成果:
- 一个3个原型ML模型实现了0.66.6的AUC.
- 确定了三个不同的患者集群,具有差异性的治疗反应.
- 集群A:年轻,严重的症状,疲劳. 集群B:年龄较大,症状不那么严重,缓解程度很高. 集群C:严重的症状,动荡,自杀念头,身体症状.
结论:
- 使用ML可以生成新的,可解释的患者档案.
- 这种方法可以提高ML模型在临床环境中的可解释性.
- 增强的ML解释性有可能在MDD中推进精准医学.
更多相关视频
07:12Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method
Published on: August 2, 2021
3.6K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K