在青少年严重抑郁症中评估定量脑电图一致性的预测效用:机器学习方法

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.
• 生物标志物 生物标志物

背景情况:

• 在儿童中早期诊断主要抑郁障碍 (MDD) 是至关重要的.
• 定量脑电图 (qEEG) 提供了一种非侵入性的方法来识别MDD生物标志物.
• 以前的研究表明,患有MDD的青少年的静止状态连接性减少.

研究的目的:

• 研究QEEG连贯性作为青少年MDD诊断的预测生物标志物.
• 分析与健康对照组 (HCs) 相比,在没有药物治疗的患有MDD的青少年中,静止状态的qEEG连贯性.

主要方法:

• 招募了28名患有MDD的青少年和27名HC的青少年 (年龄14-17岁).
• 记录了基线休息32通道EEG,并计算了跨频段的大脑整体一致性.
• 使用随机森林分类器与交叉验证来预测MDD状态.

主要成果:

• 随机森林模型显示了对MDD状态的显著预测趋势 (平均AUC-ROC = 0.65,p = 0.08).
• 青少年MDD与特定电极对 (例如T7-P7) 的相干度较低,与其他电极对 (例如P4-O2) 的相干度较高有关.
• 在默认模式和认知控制网络中观察到异常的一致性模式.

结论:

• 多变量qEEG连贯性模式显示了初步的潜力,用于诊断青少年MDD.
• 改变大脑连接的特定模式是青少年MDD的特征.
• 在更大的队列中进一步验证是有必要的,以证实这些发现.