多模式工作流程最好地预测了精神分裂症患者对重复性跨脑磁性刺激的反应:多站点机器学习分析

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.
• 人工智能的人工智能

背景情况:

• 重复性横磁刺激 (rTMS) 在精神分裂症患者中显示出可变的响应率.
• 预测rTMS反应对于优化治疗疗效至关重要.
• 多模式数据集成可能会提高预测准确性.

研究的目的:

• 开发和验证人工智能模型,用于预测精神分裂症患者的rTMS治疗反应.
• 通过使用结构性MRI,临床,社会人口统计和遗传数据来识别rTMS反应的关键预测因素.
• 评估多模式顺序预测工作流程的性能.

主要方法:

• 使用RESIS试验数据开发并进行交叉验证的预测模型.
• 包括治疗前的sMRI,临床,社会人口统计和多基因风险评分 (PRS) 数据.
• 治疗反应定义为负症状得分减少≥20%.

主要成果:

• 多模式顺序预测工作流在积极治疗组中实现了94%的平衡精度.
• 基于sMRI的分类器产生了80%的平衡精度,识别了特定大脑网络中的灰质密度作为预测.
• 临床和PRS数据也对预测做出了重大贡献,教育成就PRS和失业率等因素是值得注意的.

结论:

• 由人工智能驱动的多式预测模型可以显著提高识别精神分裂症中rTMS可能响应者的准确性.
• 预测模式表明,在默认模式和突出网络中灰质密度较高的个体可能从rTMS中获益更多.
• 临床实施需要进一步的国际验证.