使用神经生理学生物标志物和机器学习预测非自杀自伤的女性青少年的治疗反应
1Department of Psychiatry, Daegu Catholic University School of Medicine, Daegu, Republic of Korea.
Psychiatry investigation
|December 17, 2025
概括
定量脑电图 (qEEG) 和临床数据准确地预测了非自杀性自我伤害 (NSSI) 的青少年的治疗结果. 这些神经生理学生物标志物可以指导个性化的青少年心理健康护理.
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.
- 机器学习 机器学习
背景情况:
- 非自杀性自我伤害 (NSSI) 是青少年心理健康的一个重要问题.
- 预测NSSI青少年的治疗反应对于有效干预至关重要.
- 定量脑电图 (qEEG) 为评估大脑功能提供了一种潜在的方法.
研究的目的:
- 研究qEEG特征的预测能力与临床数据相结合,研究NSSI的女性青少年治疗结果.
- 确定与治疗反应相关的特定的qEEG模式和临床变量.
- 探索机器学习模型在预测NSSI治疗结果中的实用性.
主要方法:
- 对104名女性青少年住院患者的临床和静止状态EEG数据的分析.
- 从EEG中提取各种频段的脑活动模式.
- 使用标准化尺度 (HoNOS,CGI-S,WHODAS,GAF) 进行临床结果的评估.
- 训练机器学习模型使用EEG和药物数据预测结果,通过交叉验证和SHAP分析进行评估.
主要成果:
- 机器学习模型显示出出色的预测性能 (R2≥0.96).
- HoNOS结果尺度显示了最高的预测准确性 (R2=0.99).
- 关键的qEEG预测指标包括相对低β功率,绝对β功率和三角形与β比率. 入院前的临床严重程度也为此做出了重大贡献.
结论:
- qEEG特征,当与机器学习集成时,可以有效地预测NSSI青少年的治疗反应.
- 这些发现支持使用qEEG作为神经生理学生物标志物来定制个性化护理.
- 这种方法有望改善青少年NSSI的治疗策略.
