一种基于人工智能的新方法来预测对治疗的非特异性反应
Clotilde Guidetti1, Maurizio Fava2, Paolo L Manfredi3
1Department of Psychiatry, Massachusetts General Hospital, Harvard Medical School, Boston, MA, USA; Child Neuropsychiatry Unit, Department of Neuroscience, IRCCS Bambino Gesù Pediatric Hospital, Rome, Italy.
人工神经网络在重大抑郁症 (MDD) 试验中预测了对治疗的非特异性反应 (NSRT). 使用这些预测来加权倾向性得分可以提高治疗效果的检测,从而改善随机临床试验 (RCT) 分析.
科学领域:
- 精神病学和行为科学
- 计算神经科学是一种神经科学.
- 生物统计学 生物统计学
背景情况:
- 对治疗的非特异性反应 (NSRT) 显著阻碍了重大抑郁症 (MDD) 随机临床试验 (RCT) 的成功.
- 准确预测个别的NSRT对于提高临床试验中治疗效果 (TE) 估计的可靠性至关重要.
研究的目的:
- 开发人工神经网络 (ANN) 模型,用于预测NSRT的个体概率.
- 评估这些ANN衍生的NSRT概率在MDDRCT中增强TE估计的实用性.
主要方法:
- 利用完成的MDD试验的随机化前数据来训练ANN模型,预测安慰剂分配对象的NSRT概率 (prob-NSRT).
- 计算的NSRT倾向得分是个别试验NSRT的逆值.
- 应用混合效应模型与倾向分数权重 (PSW) 来评估TE,将结果与传统分析进行比较.
主要成果:
- 一个ANN模型成功地预测了个别NSRT概率.
- 与传统分析相比,PSW分析得出了与传统分析相比显著更大的TE估计.
- 通过PSW方法论,通过对NSRT的个人间变异性进行调整,证明了TE的增强信号检测.
结论:
- 根据ANN预测的NSRT概率进行倾向性得分权重,提供了一种有希望的方法来改善MDDRCT中TE检测.
- 这种方法可以通过考虑患者特异性的非特异性治疗反应来增强临床试验的分析.
- 在广泛的临床或监管采用之前,开发的ANN模型需要外部验证.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
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
相关概念视频
Combination Therapies and Personalized Medicine
The combination of the drug acetazolamide and sulforaphane is a good example of combination therapy to treat cancer. The cells in the interior of a large tumor often die due to the hypoxic and...
Pharmacogenomics: Identification of New Drug Targets
