研究人员发现了一种神经信号，可以预测抑郁症患者是否可以从舍曲林(一种常用的抗抑郁药)中获益。

结果发表在《自然生物技术》，表明新的机器学习技术可以识别与人脑活动中有意义的临床结果相关的复杂模式。这项研究由美国国立卫生研究院的国家精神健康研究所资助。

“今天，精神病学非常需要能够为治疗提供信息并超越我们诊断系统某些限制的客观测试。我们的发现令人兴奋，因为它们反映了朝着这一临床目标取得的进展，也显示了将复杂的数据分析方法引入精神病学的潜力。”资深作者阿米特埃特金博士解释道。他是斯坦福大学精神病学和行为科学教授，也是加州洛斯阿尔托斯市阿尔托神经病学的首席执行官。

重度抑郁症是最常见的精神障碍之一，2017年影响了约7%的成年人，但经历的症状因人而异。虽然有些人可能会经历许多特征，包括持续的悲伤、绝望、快乐和精力下降，但其他人可能只会经历一些。抑郁症有几种基于证据的治疗方法，但确定哪种治疗方法最适合特定的人可能是一个反复试验的问题。

先前的研究表明，通过静息脑电图测量大脑活动的特定成分可以帮助我们了解人们对某些疗法的反应。然而，研究人员还没有开发出一个预测模型来区分抗抑郁药物反应和安慰剂反应，并且还可以预测单个患者的预后。这两个功能对于神经信号的临床相关性至关重要。

合著者埃特金、达拉斯德克萨斯大学西南医学中心精神病学教授、医学博士马杜卡尔特里维迪和加州斯坦福大学讲师吴伟博士是第一批作者。从神经科学、临床科学和生物工程构建高级预测模型。研究人员开发了一种新的用于分析脑电数据的机器学习算法，称为SELSER(稀疏脑电潜在空间回归)。他们假设该算法可能能够识别抗抑郁治疗反应的可靠神经信号。

研究者使用SELSER分析NIMH资助的临床护理抗抑郁反应建立宿主和生物学特征(EMBARC)研究的数据，该研究是舍曲林的大规模随机临床试验，舍曲林是一种广泛使用的选择性5-羟色胺再摄取抑制剂(SSRI)。作为研究的一部分，患有抑郁症的参与者被随机分配接受舍曲林或安慰剂治疗八周。研究人员将SELSER应用于受试者治疗前的脑电图数据，并检验机器学习技术能否产生一个预测受试者治疗后抑郁症状的模型。

SELSER可以根据参与者睁开眼睛时记录的特定类型的脑信号(称为波)可靠地预测患者对舍曲林的反应。这种基于脑电图的模型优于使用脑电图数据或其他类型的个人水平数据(如症状严重程度和人口统计特征)的传统模型。几个互补方法对独立数据集的分析表明，SELSER所做的预测可以扩展到舍曲林反应以外的更广泛的临床结果。

在一个独立的数据集中，研究人员发现，与那些对两种或两种以上药物无反应的患者相比，基于脑电图的SELSER模型预测，那些对至少一种抗抑郁药物表现出部分反应的患者的临床结果会有更大的改善。另一个独立的数据集显示，SELSER预测受试者对舍曲林几乎没有改善，他们更有可能对涉及一种称为经颅磁刺激(结合心理治疗)的特定类型非侵入性脑刺激的治疗产生反应。

正在开展工作，进一步在大型独立样本中复制这些发现，以确定SELSER作为诊断工具的价值。根据Etkin，Trivedi，Wu及其同事的说法，这项研究强调了机器学习在促进抑郁症个性化治疗方面的潜力。

“虽然在我们的研究成果准备好用于常规临床之前，还有很多工作要做，但脑电图是一种低成本、易于使用的工具，这一事实使得在短时间内从研究转化为临床实践更有可能。我希望我们的发现是这个领域对机器学习和客观测试影响的转折点。”埃特金总结道。

郑重声明：本文版权归原作者所有。转载文章只是为了传播更多的信息。如果作者信息标注有误，请第一时间联系我们修改或删除。谢谢你。

免责声明： 本文由用户上传，如有侵权请联系删除！

标签：