相关实验视频
Updated: Jun 10, 2025

Developing a Rat Model for Bipolar Disorder
Published on: May 2, 2025
从电子健康记录中预测双相情感障碍的维护反应 - 一项回顾性研究
Joseph F Hayes1,2, Fehmi Ben Abdesslem1,3,4, Sandra Eloranta5
1Department of Psychiatry, University College London, University of London, London, United Kingdom.
机器学习在使用电子健康记录的双相情感障碍患者中预测了反应的弱点. 关键预测因素包括诊断时的年龄和治疗开始,这表明个性化治疗选择的潜力.
科学领域:
- 精神病学和心理健康 精神病学和心理健康
- 计算医学是一种计算医学.
- 药物基因组学 药物基因组学
背景情况:
- 优化对双相情感障碍的维持药物选择是复杂的.
- 个性化治疗策略是有限的,尽管有一些证据表明反应预测器.
- 临床和人口因素可能会影响治疗结果.
研究的目的:
- 为了研究机器学习 (ML) 预测与奥兰zapine单一治疗的差异反应.
- 确定临床和人口变量,预测双相情感障碍的成功维持治疗.
- 探索电子健康记录 (EHR) 对个性化药物选择的实用性.
主要方法:
- 利用英国初级保健 EHR 数据对一组人群处方或 olanzapine 单疗法.
- 利用113个临床和人口统计变量,应用了ML模型来预测成功的维持治疗.
- 从19106名使用者和12412名 olanzapine使用者提取了数据,确定了8017名和3831名 olanzapine响应者.
主要成果:
- 维护响应者在持久样本 (最近暴露) 中显示出较弱的可预测性.
- 首次诊断时的年龄,首次治疗时的年龄和这些之间的时间是最重要的预测变量.
- 模型没有可靠地预测成功的 olanzapine 治疗反应.
结论:
- 虽然没有实现对和奥兰扎平反应者的明确分离,但组特征为维持疗法提供了代理分类.
- 应用于EHR数据的ML显示了在药物治疗选择中临床决策支持的潜力.
- 鼓励使用更大的数据集进行进一步的研究,以完善ML模型,以区分和奥兰扎反应者.
更多相关视频
10:02Event Related Potentials ERPs and other EEG Based Methods for Extracting Biomarkers of Brain Dysfunction: Examples from Pediatric Attention Deficit/Hyperactivity Disorder ADHD
Published on: March 12, 2020
05:19Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment
Published on: July 7, 2023
相关概念视频
Mania and Antimanic Drugs: Overview
Bipolar Disorder
Electroconvulsive Therapy
Dysrhythmias VII: Nursing Management of Dysrhythmias