使用数字生物标志物的维护药物治疗预测缓解抑郁症症状恶化:使用机器学习的预后建模研究
Ryo Kiguchi1, Ayano Hata1, Satoki Fujita1
1Data Science Department, Shionogi & Co., Ltd., 1-8, Doshomachi, 3-chome, Chuo-ku, Osaka 541-0045, Japan.
Journal of affective disorders
|June 21, 2025
概括
机器学习模型可以预测维持药物治疗的患者的抑郁复发. 根据患者的行为分类,比如睡眠模式,可以提高对复发性抑郁症症状恶化的预测准确度.
科学领域:
- 精神病学和行为科学 精神病学和行为科学
- 计算医学是一种计算医学.
- 数字健康数字健康
背景情况:
- 复发性抑郁症是一个重大挑战,需要及时预测复发,以便有效管理.
- 维持性药物治疗是复发性抑郁症的常见方法,但预测症状恶化仍然至关重要.
研究的目的:
- 应用机器学习来预测在接受维持药物治疗的患者中抑郁症状恶化的情况.
- 研究基于生活方式特征的患者亚型的实用性,以增强复发预测模型.
主要方法:
- 一项为期52周的队列研究,涉及在维持药物治疗中复发性抑郁症的患者.
- 使用智能手机应用程序和可穿戴设备进行每周的凯斯勒心理困扰量表 (K6) 报告.
- 雇员离开-一个参与者-退出交叉验证XGBoost用于预测K6分数,结合基于生活方式的参与者聚类.
主要成果:
- 确定了两个不同的患者群:群1 (不稳定的睡眠,室内活动) 和群2 (专注于工作/学习).
- 最初的交叉验证显示曲线下面积 (AUC) 好,但卡帕低.
- 将三个月的新患者数据纳入,加权卡帕改善到集群1的0.68和集群2的0.59,表明预测得到了增强.
结论:
- 根据行为模式对患者进行分类是开发准确的机器学习预测模型的有效方法.
- 这些模型有助于预测维持药物治疗的患者的抑郁复发.
