个性化功能性大脑映射机器学习预测选择性卡帕-阿片类药物对抗性导致的症状变化,来自快速失败试验的无情样本
Matthew D Sacchet1,2, Joseph L Valenti1, Poorvi Keshava1
1Meditation Research Program, Department of Psychiatry, Massachusetts General Hospital, Harvard Medical School, Boston, MA, USA.
分析fMRI数据的机器学习模型确定了皮下神经特征,这些特征可以预测无情症患者的治疗反应. 这些发现凸显了K-阿片类受体对抗作用在治疗精神病理方面的潜力.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 药理学 药理学是指药理学的学科.
背景情况:
- 无症是一种具有挑战性的症状,与各种诊断的不良结果有关.
- 功能性磁共振成像 (fMRI) 和机器学习为理解和治疗无症提供了新的方法.
研究的目的:
- 将机器学习应用于fMRI数据,以预测无情参与者的症状变化.
- 调查K-阿片类受体 (KOR) 反对作用在治疗无情感和相关症状中的有效性.
主要方法:
- 利用集体机器学习模型在货币激励延迟任务期间从fMRI获得的个性化神经数据上.
- 分析皮层,皮下和联合特征,以预测无情,抑郁和焦虑症状的变化.
- 雇员假期一次交叉验证 (LOOCV) 来评估KOR和安慰剂组的模型表现.
主要成果:
- 只有皮肤下数据就能显著预测抑郁和焦虑症状的变化.
- 使用皮层下特征的模型显示,KOR组的预测准确性高于安慰剂组.
- 确定了25个关键的皮层下神经特征,并指出背部注意网络在预测临床变化的重要性.
结论:
- 集体机器学习确定了皮下神经差异,这些差异预测了特定于KOR对抗的临床改善.
- 皮下功能连接模式对于预测无症患者的治疗反应至关重要.
更多相关视频
09:54Combining Laser Capture Microdissection and Microfluidic qPCR to Analyze Transcriptional Profiles of Single Cells: A Systems Biology Approach to Opioid Dependence
Published on: March 8, 2020
05:19Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment
Published on: July 7, 2023
相关概念视频
Dose-Response Relationship: Selectivity and Specificity
Desensitization and Tachyphylaxis
Several...
Drugs Affecting Neurotransmitter Release or Uptake
Nonlinear Pharmacokinetics: Dependence of Elimination Half-Life and Dose Clearance
A study on guinea pigs examined the...
Pharmacogenetic Phenotypes: Alterations in Pharmacokinetics, Drug Targets and Biologic Milieu
Drug toxicity: Idiosyncratic Reactions
