在抑制控制期间的神经活动预测自杀念头与机器学习的机器学习.

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.
• 生物标志物发现发现

背景情况:

• 自杀是全球主要的健康问题,自杀念头 (SI) 是一个关键的风险因素.
• 目前的自杀预防策略通常依赖于识别和治疗风险因素,但SI缺乏可扩展的生物标志物.
• 之前对SI的生物标志物研究受到依赖昂贵的神经成像技术的限制.

研究的目的:

• 通过使用机器学习 (ML) 对脑电图 (EEG) 数据来研究自杀念头 (SI) 的分类.
• 为了确定潜在的基于EEG的生物标志物来预测SI,这些生物标志物在临床上是可扩展和负担得起的.
• 评估在认知任务期间接受EEG特征训练的ML模型的预测性能.

主要方法:

• 收集了76名参与者的EEG数据 (38名有SI,38名没有SI),根据年龄,性别和心理健康症状进行了匹配.
• 在休息状态和四个认知任务期间记录了EEG:抑制控制,干扰处理,工作记忆和情绪偏差.
• 分析了theta,alpha和beta频段的EEG信号,进行皮质源成像以确定ML模型的神经预测因子.

主要成果:

• 最好的ML模型在抑制性控制任务中使用β频段功率,达到89%的灵敏度和98%的SI分类特异性.
• 沙普利的分析确定了视觉和后部默认模式网络中的反相关功率,以及腹部注意力,前额头和感觉运动网络中的响应相关功率作为关键预测因素.
• 在一个独立的抑郁样本中进行的外部验证显示了50%的敏感性和61%的特异性.

结论:

• 这项研究展示了一种有希望的,可扩展的基于EEG的方法,用于预测自杀念头 (SI).
• 这种EEG生物标志物可以帮助识别自杀风险和干预策略.
• 需要进一步的研究来完善和验证这种方法在不同的临床群体.