在患有抑郁症的患者中,可解释的多式预测治疗耐药性,利用大脑形态学和自然语言处理

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.
• 医疗信息学 医疗信息学

背景情况:

• 20%的抑郁症患者在当前的治疗方法下无法实现缓解.
• 预测耐治疗抑郁症 (TRD) 是一个重大的临床挑战.

研究的目的:

• 为TRD开发一个可解释的多式联运预测模型.
• 整合结构化的电子病历 (EMR) 数据,脑形态测量 (MRI) 和临床笔记的自然语言处理 (NLP).

主要方法:

• 开发了使用极端梯度提升 (XGBoost) 和五倍交叉验证的TRD预测模型.
• 综合表格式EMR特征,脑T1加权的MRI独立组件重量和临床笔记主题概率.
• 包括247名患有新的抑郁情节的患者.

主要成果:

• 集成所有数据源的多式模式在接收器操作特征 (AUROC) 下获得了最高的面积,为0.794.4.
• 结合脑部MRI和结构化数据 (0.770) 和脑部MRI与临床笔记 (0.762) 的模型也显示出强大的预测性能.
• 关键预测因素包括药物史,感官运动网络,默认模式网络活动和体征症状.

结论:

• 将临床数据与神经成像和NLP变量集成,可以提高TRD预测.
• 多模式方法为识别TRD风险患者提供了一个有希望的策略.
• 可解释的AI模型可以提供对TRD预测驱动因素的见解.