预测恐慌障碍患者的治疗结果:使用机器学习方法进行横截面和两年纵向结构连接组分析

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.
• 机器学习 机器学习

背景情况:

• 恐慌失调 (PD) 是一种具有可变治疗反应的衰弱性疾病.
• 了解PD治疗结果的神经生物学基础对于改善患者护理至关重要.

研究的目的:

• 研究恐慌障碍患者结构性大脑网络与长期治疗结果之间的关系.
• 利用机器学习,根据大脑网络特征预测治疗反应.

主要方法:

• 招募了80名参与者 (53名PD患者,27名对照) 进行了基线和2年随访MRI扫描.
• 分析结构性大脑网络使用白质谱和基于网络的统计数据.
• 使用支持矢量机器 (SVM) 和基于Connectome的预测建模 (CPM) 来预测治疗结果.

主要成果:

• 鉴定了PD患者的结构性网络变化,特别是在扩展恐惧网络 (额头区域,丘脑,带回形) 中.
• 纵向分析显示,对杏仁体,海马体和胰岛素的连接性增加与更好的治疗反应相关.
• 桃体和胰岛的基线过度连接预测了治疗反应不佳,在胰岛和围皮质中观察到类似的模式,用于非缓解.

结论:

• 边缘和准边缘区域的结构连接组变化是理解PD和个性化治疗的关键指标.
• 机器学习模型有效地根据大脑网络模式预测了治疗结果,这表明PD管理中个性化生物标志物的潜力.