临床和神经成像预测者在catatonia中的二zepine响应:一个机器学习方法

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 医疗成像医学成像

背景情况:

• 卡塔托尼亚是一种复杂的精神运动综合征,具有运动,行为和神经植物性征兆.
• 二是主要的治疗方法,但预测治疗耐药性仍然具有挑战性.
• 了解影响二二类药物反应的因素对于优化症管理至关重要.

研究的目的:

• 开发和评估机器学习模型,用于预测类二类药物反应在catatonia.
• 确定治疗耐药性的临床和神经影像预测因素.
• 评估神经成像数据在预测模型中的附加值.

主要方法:

• 一组65名白动患者接受了临床评估,3T脑部MRI和二胺试验.
• 根据临床结果,患者被分为响应者或不响应者.
• 使用临床,人口统计和神经成像数据 (皮层厚度,区域体积) 训练了线性和梯度增强树 (GBT) 模型.

主要成果:

• 与单独的临床数据相比,结合神经成像数据的机器学习模型显示出更好的预测性能.
• 线性模型实现了70%的AUC,GBT模型也通过成像数据达到70%的AUC.
• 二非响应的关键预测因素包括更长的阴持续时间,存在"mitgehen"和不运动/静止,以及右中轨前皮层体积的减少.

结论:

• 整合临床,人口和神经成像数据显著提高了在catatonia. benzodiazepine响应的预测.
• 特定的临床特征和区域大脑体积是治疗耐药性的重要指标.
• 这些发现可能会指导人性化治疗策略,用于性患者.