机器学习在严重抑郁症大脑深度刺激中的应用:系统性审查和元分析

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.
• 医疗信息学 医疗信息学

背景情况:

• 抑郁症,特别是耐治疗性抑郁症 (TRD),对大量患者的治疗疗效有限,构成了重大的全球健康挑战.
• 深度大脑刺激 (DBS) 为TRD提供了潜在的治疗途径,但个体反应的变化需要改进患者选择方法.
• 机器学习 (ML) 方法正在成为预测DBS等复杂干预措施患者结果的工具.

研究的目的:

• 系统地审查和元分析机器学习 (ML) 模型的使用,以预测患者对大脑深度刺激 (DBS) 对主要抑郁症 (MDD) 和TRD的反应.
• 评估ML模型的性能和潜在的临床适用性,以识别可能受益于针对带带 (SCC) 的DBS的个体.

主要方法:

• 按照PRISMA指南进行了系统审查和元分析,搜索了PubMed,Scopus和Cochrane数据库.
• 分析了包含32个ML模型的6项研究 (例如,支持矢量机,天真贝叶斯),利用各种数据,包括结构,功能,神经电生理学和临床信息.
• 四项研究的定量综合提供了ML模型歧视的聚合性能指标.

主要成果:

• 应用了ML模型,主要是支持向量机和天真贝叶斯模型,以预测MDD/TRD患者的DBS反应,这些患者的目标是小带回 (SCC).
• 性能指标显示出广泛的变化 (灵敏度:0.56-0.93,特异性:0.00-0.89,准确度:0.44-0.84,AUC:0.57至0.95).
• 对四项研究的聚合分析表明,具有强大的预测能力,聚合灵敏度为0.74,特异性为0.73,AUC为0.83.

结论:

• 机器学习模型显示出在MDD/TRD的SCC中预测DBS的治疗反应的巨大潜力,特别是在多式联络数据集成的情况下.
• 目前的证据表明,ML模型具有强大的预测能力,支持它们在个性化抑郁症治疗中的未来临床实用性.
• 协议的标准化和外部验证是成功将ML纳入TRD的DBS的临床整合的关键下一步.