使用EEG和机器学习预测对抑郁症的跨脑磁刺激治疗的反应
Neil W Bailey1, Ben D Fulcher2, Martijn Arns3
1Monarch Research Institute, Monarch Mental Health Group, Sydney, NSW, Australia; School of Medicine and Psychology, The Australian National University, Canberra, ACT, Australia; Central Clinical School, Department of Psychiatry, Monash University, Victoria, Australia.
概括
使用脑电图 (EEG) 数据的机器学习可以预测抑郁症中重复性跨磁刺激 (rTMS) 治疗反应. 这种方法可能会改善患者的治疗结果,超越目前的一种适合所有人的方法.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 精神病学是一个精神病学.
背景情况:
- 重复性跨磁刺激 (rTMS) 是一种公认的抑郁症治疗方法,但其疗效在个体之间有所不同.
- 预测rTMS反应可以个性化治疗,减少患者的负担.
- 之前的研究探索了机器学习与脑电图 (EEG) 进行预测,但利用了有限的特征集.
研究的目的:
- 为了研究一套全面的超过7000个时间序列特征的预测能力,从预治疗EEG数据对抑郁症中rTMS反应进行预测.
- 评估在这些特征上训练的机器学习模型对独立患者队列的概括性.
主要方法:
- 从188名接受rTMS的抑郁症患者的治疗前EEG数据的主要组成部分中提取了7304个时间序列特征.
- 训练了一种分类算法,根据这些特征来预测响应者.
- 在58名患者的独立数据集上验证了模型的性能.
主要成果:
- 该分类模型在预测培训/测试集中的响应者方面实现了超乎偶然的准确性 (69.4%),特别是第三个主要组成部分.
- 该模型证明了可通用性,在独立数据集上实现了60%的准确性.
- 受访者表现出明显的EEG模式,包括更高的相对高频功率和更负的时间序列值偏差.
结论:
- 使用广泛的EEG时间序列特征开发的机器学习方法显示了预测抑郁症rTMS治疗反应的前景.
- 这些发现表明,从一般化到个性化治疗策略的潜在转变,可能会导致改善患者的治疗结果.
