通过基于机器学习的工具克服耐治疗抑郁症:结合EEG和临床数据的研究方案,以个性化谷氨酸和脑刺激干预 (SelecTool项目)
Mauro Pettorruso1,2,3, Giorgio Di Lorenzo4,5, Beatrice Benatti6
1Department of Neurosciences, Imaging and Clinical Sciences, Università degli Studi G. D'Annunzio, Chieti, Italy.
Frontiers in psychiatry
|August 1, 2024
概括
这项研究介绍了SelecTool,这是一种机器学习工具,可以个性化治疗耐治疗抑郁症 (TRD). 它整合了临床,EEG和血液生物标志物,以指导在埃斯基坦胺鼻喷雾和加速TMS之间进行选择,旨在改善患者的治疗结果.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 生物标志物发现发现
背景情况:
- 耐治疗抑郁症 (TRD) 由于其异质性和缺乏精确的生物标志物而构成重大临床和经济挑战.
- 目前对TRD的治疗策略往往缺乏个性化,这导致许多患者的治疗结果不足.
研究的目的:
- 开发和验证SelecTool,一个集成多模式数据的计算工具,用于个性化的TRD治疗选择.
- 优化治疗方案,指导临床医生采用经过验证的选择,如胺鼻喷雾 (ESK-NS) 和加速重复性跨磁性刺激 (arTMS).
主要方法:
- 工作平面1 (WP1):对100名接受ESK-NS或artTMS的TRD受试者进行随机对照试验,并进行全面的基线和后续评估 (EEG,临床秤,血液样本).
- 工作平面2 (WP2):使用WP1数据训练SelecTool算法,并将其应用于20名TRD受试者的独立队列,以进行治疗建议.
- 使用机器学习框架来分析综合的临床,神经生理学 (EEG) 和外围 (血液) 生物标志物.
主要成果:
- 计划使用WP1.1数据对SelecTool算法的初步验证.
- 该工具将应用于单独的队列,以评估其在推个性化TRD治疗中的有效性.
- 该研究旨在证明使用机器学习来优化TRD干预的可行性.
结论:
- SelecTool有可能通过实现个性化治疗选择来彻底改变TRD管理.
- 这种方法可能会导致更有效和量身定制的治疗策略,解决抑郁症护理的关键未满足需求.
- 该项目旨在通过数据驱动的个性化干预来减少TRD的社会和经济负担.
