使用睡眠EEG功率和连贯性特征区分双极性障碍和精神分裂症:基于多重睡眠学术的机器学习方法

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.
• 睡眠医学 睡眠医学

背景情况:

• 双极性障碍 (BD) 和精神分裂症 (SZ) 具有共同的症状和遗传风险,导致诊断挑战和治疗困难.
• 准确区分BD和SZ对于有效的临床管理和干预至关重要.

研究的目的:

• 调查一夜间多睡眠学 (PSG) 的实用性,特别是EEG功率光谱和连贯性特征,在区分BD和SZ时.
• 确定神经生理睡眠标志物,可以作为客观的生物标志物来区分这些条件.

主要方法:

• 收集了来自196名BD和154名SZ患者的PSG数据.
• 使用倾向分数匹配的队列 (N=274) 进行综合睡眠参数,EEG功率光谱和连贯度分析.
• 采用随机森林分类器来评估各种特征的区分能力.

主要成果:

• 随机森林模型实现了最高的分类准确度 (71.88%),F1得分 (0.709) 和ROC-AUC (0.770).
• 关键的区分特征包括F3_Theta_Pow,总觉醒时间,C3_Theta_Pow和睡眠效率.
• 睡眠期间由PSG衍生的神经生理学特征有效地区分了BD与SZ.

结论:

• 一夜间PSG与EEG分析提供了一种实用和客观的方法来区分双相情感障碍和精神分裂症.
• 鉴定的神经生理学睡眠模式为BD和SZ的独特神经生物学提供了洞察力.
• 这种方法有可能提高诊断准确性,并为这些疾病指导个性化临床干预.