在治疗耐药抑郁症中,对重复性跨脑磁性刺激的反应进行预测建模
Lindsay L Benster1,2, Cory R Weissman1, Federico Suprani3
1Department of Psychiatry, University of California, San Diego, CA, USA.
Translational psychiatry
|April 27, 2025
概括
机器学习模型准确地预测了治疗耐药性抑郁症 (TRD) 的重复性跨磁刺激 (rTMS) 的反应. 关键预测因素包括并发症,药物使用和治疗细节,有助于临床决策.
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.
- 计算医学是一种计算医学.
背景情况:
- 在治疗耐药性抑郁症 (TRD) 中预测治疗反应是具有挑战性的.
- 重复性横磁刺激 (rTMS) 是TRD的治疗选择,但反应预测因子尚未完全理解.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测TRD患者的rTMS治疗反应和缓解.
- 确定关键的社会人口统计学,临床和与治疗相关的rTMS结果预测因素.
主要方法:
- 对232名用rTMS治疗的TRD患者进行了回顾性队列研究.
- 监督的ML模型应用于电子医疗记录 (EMR) 数据.
- 内部验证使用嵌套交叉验证和Shapley值分析来确定特征的重要性.
主要成果:
- ML模型在预测反应 (AUC:0.689) 和缓解 (AUC:0.745) 中显示出合理的准确性.
- 较低反应的预测因素包括焦虑,肥胖,使用二胺/抗精神病药物和慢性TRD.
- 更高反应的预测因素包括创伤史和以前的烟草使用.
- 间歇性达爆发刺激和更高的rTMS会话数量与更好的结果有关.
结论:
- ML模型可以帮助TRD中RTMS的临床决策.
- 识别可能响应或不响应的患者子组可以优化治疗选择.
- 进一步的研究可以完善个人化rTMS治疗的ML模型.
