Новое исследование, проведенное несколькими институтами, показывает, как машинное обучение с использованием искусственного интеллекта (ИИ) в сочетании с электронными медицинскими картами (ЭМК) может предсказать результаты лечения антидепрессантами.
"Эти исследования имеют потенциал для разработки инструмента принятия клинических решений для персонализированного лечения депрессии", - пишут исследователи из Weill Cornell Medicine, Temple University, University of Washington, Mayo Clinic, Northwestern University и University of Florida, проводившие исследование.
По данным Всемирной организации здравоохранения, депрессией страдают 280 миллионов человек во всем мире, или 3,8 процента населения планеты. К счастью, существуют эффективные методы лечения депрессии.
Согласно американской психиатрической ассоциации, симптомы депрессии могут включать: постоянное чувство грусти; потерю интереса или удовольствия от вещей и занятий, которые когда-то нравились; чувство вины или никчемности; мысли о самоубийстве или смерти; замедленные движения или речь; трудности с мышлением или принятием решений; проблемы с концентрацией внимания; изменения аппетита; слишком много или слишком мало сна; потерю энергии или повышенную утомляемость; потерю энергии.
"Хотя антидепрессанты обычно назначаются пациентам, страдающим депрессией, из-за сложной этиологии и гетерогенной симптоматики депрессии, предыдущие исследования показывают, что эффективность лечения антидепрессантами обычно низкая, и лишь 11-30% пациентов с депрессией достигают ремиссии после первоначального лечения", - пишут ученые.
Антидепрессанты, используемые для лечения депрессии, включают селективные ингибиторы обратного захвата серотонина (SSRI), ингибиторы обратного захвата серотонина и норадреналина (SNRI), ингибиторы моноаминоксидазы (MAOIs), нейроактивные стероиды гамма-аминомасляной кислоты (ГАМК) и другие.
Исследователи использовали различные алгоритмы машинного обучения (ML), такие как дерево решений с градиентным усилением (GBDT), наивный байесовский алгоритм (NB), случайный лес (RF) и L2 нормализованная логистическая регрессия (LR) для прогнозирования результатов лечения антидепрессантами. В исследовании использовалась программная библиотека XGBoost для алгоритма дерева решений с градиентным усилением и программная библиотека scikit-learn, библиотека машинного обучения для Python для других алгоритмов. Алгоритм дерева решений с градиентным усилением показал наилучшие результаты в прогнозировании результатов лечения антидепрессантами.
В исследовании использовались полностью деидентифицированные данные более 800 взрослых, которые получили хотя бы один рецепт на антидепрессант в амбулаторной клинике поведенческого здоровья при академическом медицинском центре Нью-Йорка. Для обучения моделей ИИ ученые использовали различные данные из электронных медицинских карт, такие как рецептурные препараты, процедуры, демографическая информация, исходный уровень тяжести депрессии и коморбидные заболевания.
Коморбидные заболевания - это наличие более чем одного заболевания или расстройства, которое может влиять на физическое или психическое здоровье и которое возникает у человека в одно и то же время. До 90 процентов пациентов с тревожными расстройствами имеют коморбидную депрессию, согласно исследованию Джека М. Гормана, опубликованному в журнале Depression and Anxiety.
У пациентов с хроническими заболеваниями, такими как рак, неврологические, метаболические и сердечно-сосудистые расстройства, депрессия также часто является сопутствующим заболеванием. По данным Национального института рака, депрессия является сопутствующим заболеванием до 25 процентов онкологических больных. Статистика выше для пациентов с сердечной недостаточностью, среди которых до 30 процентов также страдают от депрессии, согласно публикации "Депрессия и сердечная недостаточность: одинокая коморбидность", опубликованной в журнале "European Society of Cardiology".
Исследователи продемонстрировали, что их алгоритмы машинного обучения предсказывали результаты лечения антидепрессантами, используя историю болезни пациента, что может помочь врачам в будущем.
"Помимо информирования о целевом лечении, эти прогностические модели потенциально могут способствовать разработке нового поколения клинических испытаний, связанных с EHR", - предположили исследователи. "Например, клиницисты могут разделить пациентов на группы "высокого риска" и "низкого риска" на основе прогностических результатов ("ухудшение" или "выздоровление") и уделять больше внимания лечению и прогнозу группы "высокого риска"".
Кроме того, исследователи считают, что предсказанные их алгоритмами ИИ результаты могут быть полезны при разработке более целенаправленных планов психиатрического лечения.
"Наш инструмент прогнозирования обещает ускорить персонализированное медицинское ведение пациентов с психиатрическими заболеваниями", - заключили исследователи.
Cami Rosso, публицист. PsychologyToday., Пер.: PSYCHOL-OK.RU
