机器学习用于从炎症标记器预测抑郁症进展

科学领域:

• 生物医学科学 生物医学科学
• 计算生物学 计算生物学
• 精神病学是一个精神病学.

背景情况:

• 重度抑郁症 (MDD) 是全球残疾的主要原因,由未定义的病原和多因素表型复杂化.
• 客观生物标志物,特别是炎症标志物,对于改善MDD诊断和管理至关重要.
• 机器学习 (ML) 提供了一种新的方法来分析炎症和抑郁症之间的复杂相互作用.

研究的目的:

• 研究机器学习模型在使用炎症标志物预测抑郁水平方面的实用性.
• 为了确定与抑郁症严重程度相关的关键炎症标志物.
• 为了比较各种ML算法对抑郁症分类的性能.

主要方法:

• 来自糖尿病诊所的721名患者根据抑郁症严重程度 (非最小,轻度,中度至严重) 进行分类,使用患者健康问卷 (PHQ-9).
• 分析了炎症标志物,包括C-反应蛋白 (CRP),介质素-6 (IL-6),介质素-1β (IL-1β),介质素-10 (IL-10),补充成分5a (C5a),D-Dimer,单细胞化学吸引蛋白-1 (MCP-1) 和类似胰岛素的生长因子-1 (IGF-1).
• 六个ML算法 (逻辑回归,K-最近邻居,支持矢量机,随机森林,多层感知器,极端梯度提升) 被使用和评估.

主要成果:

• 单细胞化学吸引蛋白-1 (MCP-1) 和介素-1β (IL-1β) 成为预测抑郁水平最重要的标志物.
• 极端梯度提升表现出卓越的性能,达到0.89的精度和0.95.95的接收机操作器曲线下的面积 (AUC).
• 该研究成功地使用一组炎症标志物对抑郁症水平进行了分类.

结论:

• 机器学习模型显示出在临床实践中客观评估抑郁症的巨大潜力.
• MCP-1和IL-1β是关键的炎症生物标志物,与抑郁症进展有关.
• 将ML与生物标志物分析相结合,可以提高诊断准确度和抑郁症患者管理.