在中度至重度抑郁疾病中,电治疗反应和缓解:苏格兰国家数据十年

科学领域:

• 精神病学是一个精神病学.
• 临床神经科学 临床神经科学
• 医疗信息学 医疗信息学

背景情况:

• 电疗法 (ECT) 是对中度至重度抑郁症的高度有效治疗方法.
• 确定ECT反应的预测因素仍然是一个挑战.
• 之前的研究表明,治疗前变量和ECT结果之间存在人口层面的关联.

研究的目的:

• 在一个大型队列中,研究ECT前临床变量和ECT后结果之间的关联.
• 开发一种机器学习模型,用于预测ECT后个体患者的缓解.
• 利用10年定期收集的苏格兰数据 (2009-2018) 对接受ECT的中度至重度抑郁症患者.

主要方法:

• 使用描述性统计数据和关联分析进行组级分析.
• 使用机器学习方法的个人患者预测.
• 交叉验证技术用于模型评估.

主要成果:

• 电脑心电疗法显示出高效率,反应率为73%,缓解率为51%.
• ECT反应的关键预测因素包括年龄,精神病症状,紧迫性,痛苦,精神运动迟缓,先前反应,药物耐药性和同意.
• 预测缓解的准确率为61%,类似的预测因素不包括紧急情况,但包括复发性抑郁病史和低自杀风险.

结论:

• 在ECT前的临床变量与ECT反应和缓解都有显著的关联.
• 使用这些变量的预测工具可以帮助ECT的共享决策.
• 这种工具可以通过识别可能的响应者并防止不必要的治疗来优化ECT的使用.