对不同机器学习方法进行比较,以预测安慰剂控制的大型抑郁症临床试验中的非特异性治疗反应

科学领域:

• 心理药理学 心理药理学
• 计算神经科学是一种神经科学.
• 临床试验方法论 临床试验方法论

背景情况:

• 安慰剂效应显著混临床试验中治疗疗效的评估,特别是对于抗抑郁药物.
• 目前的随机,安慰剂对照试验设计无法估计个别的非特异性治疗效应.
• 高的安慰剂反应率阻碍了新型抗抑郁药物的开发.

研究的目的:

• 为了比较机器学习 (ML) 方法来估计非特异性治疗效应的个体概率.
• 确定可以预测个体安慰剂反应的ML模型.
• 支持在临床试验中控制高安慰剂反应影响的新方法.

主要方法:

• 六种ML方法的比较分析:梯度提升机,拉索回归,后勤回归,支向量机,k-最近邻居和随机森林.
• 利用多层感知子人工神经网络 (ANN) 预测个人非特异性治疗反应概率.
• 采用五重交叉验证来评估模型性能和过拟合风险.

主要成果:

• 人工神经网络 (ANN) 与其他ML方法相比,在预测个人非特异性治疗反应方面表现出最高的整体准确性.
• 通过五倍交叉验证验证ANN模型的性能.
• 除了具有非特异性效应的受试者之外,信号检测和效应大小显著增加.

结论:

• 机器学习,特别是ANN,可以准确估计个别的非特异性治疗效应,为安慰剂混提供潜在的解决方案.
• 准确估计个体安慰剂反应可以导致更敏感的临床试验和改善抗抑郁药物开发.
• 这种方法可以通过更好地控制安慰剂反应来提高检测真正治疗效果的能力.