在治疗耐药抑郁症中,对重复性跨脑磁性刺激的反应进行预测建模

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.
• 机器学习 机器学习

背景情况:

• 预测治疗耐药性抑郁症 (TRD) 的治疗反应对于重复性跨磁刺激 (rTMS) 仍然具有挑战性.
• 电子病历 (EMR) 提供了丰富的数据来源,用于识别反应预测因子.

研究的目的:

• 将监督机器学习 (ML) 应用于EMR数据,以预测TRD患者的rTMS治疗反应和缓解.
• 确定关键的社会人口统计学,临床和治疗相关预测器的rTMS结果.

主要方法:

• 对232名TRD患者进行了回顾性队列研究,这些患者在2017-2023年期间接受了rTMS治疗.
• 开发了监督的ML模型,并使用嵌套交叉验证进行了内部验证.
• 使用沙普利值来确定特征的重要性,以预测反应和缓解.

主要成果:

• ML模型在区分响应者 (AUC:0.689) 和发送者 (AUC:0.745) 中显示出合理的准确性.
• 伴随性焦虑,肥胖,同时服用药物和慢性TRD与较低的反应率有关.
• 创伤史,以前的烟草使用,间歇性甲基突发刺激和增加的rTMS会话预测了更好的结果.

结论:

• 基于ML的预测模型显示,在TRD中的rTMS在临床决策中具有潜在的实用性.
• 识别可能响应或不响应的患者子组可以帮助优化治疗策略.
• 进一步的研究可以改进ML模型,以增强TRD个性化的rTMS治疗.