机器学习模型的开发和验证,以利用临床和神经成像数据预测痴迷强迫症患者的认知行为治疗结果

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.
• 机器学习 机器学习

背景情况:

• 强迫症 (OCD) 是一种使人虚弱的疾病,用认知行为疗法 (CBT) 治疗.
• 预测患者对CBT的反应仍然是一个重大的临床挑战.
• 通过元分析增强神经成像和遗传学 (ENIGMA) -OCD联盟为预测建模提供了有价值的数据集.

研究的目的:

• 开发和评估机器学习模型,用于预测强迫症患者对CBT的缓解和反应.
• 为了比较临床数据的预测效用与静止状态功能磁共振成像 (rs-fMRI) 数据.
• 确定强迫症中CBT结果的关键临床和神经成像预测因素.

主要方法:

• 利用了159名接受CBT治疗的成年强迫症患者的基线临床和rs-fMRI数据.
• 计算的rs-fMRI指标包括低频波动的分数振幅和区域均性.
• 使用支持矢量机和随机森林分类器来预测使用不同数据模式的临床结果.

主要成果:

• 临床数据模型实现了预测缓解的AUC为0.69 (p=0.001).
• 缓解的关键预测因素包括较低的症状严重程度,较年轻的年龄,没有清洁痴迷,没有药物的状态和高等教育.
• 来自rs-fMRI的区域同质性显示了缓解的适度预测性表现 (AUC=0.59),而总体的rs-fMRI反应预测接近机会水平.

结论:

• 利用临床数据的机器学习模型显示了在CBT后预测强迫症缓解的潜力.
• 多中心rs-fMRI数据目前为强迫症患者的CBT结果提供了有限的预测能力.
• 进一步的研究可能会加强神经成像生物标志物的整合,以改善治疗预测.