研究人员使用机器学习预测患者对特定抗抑郁药物产生反应

抑郁症是一种非常常见的精神疾病，它会深刻影响一个人的健康。虽然有很多药物可以用来治疗抑郁症，但很多人对他们使用的第一种甚至第二种药物的反应都一般。因此，医生必须经常采取反复试验的方法，这意味着可能需要数月甚至数年才能找到有效的药物。

为了寻找更好的方法，一些研究人员正在探索使用机器学习来预测哪些患者会对特定的抗抑郁药物产生反应。在9月12日发表在《IEEE生物医学工程学报》上的一项研究中，一个团队描述了一种机器学习算法，该算法可以分析人们大脑的电活动，并预测抗抑郁药舍曲林（Sertraline）的反应，准确率为83.7%。

纽约理工学院电气与计算机工程系助理教授Maryam Ravan与了这项研究。她指出，目前为抑郁症患者开药的方法效率很低。

“由于缺乏生物标记物，这一医学分支治疗方法完全依赖于个人交流和患者报告，”Ravan说，“由于效率低下问题，我们小组决定探索基于大脑电活动模式的机器学习分析的定量方法是否可以提供更准确的临床指导。通过我们和其他人的数据表明，情况确实有了改观。”

在研究中，Ravan和她的同事分析了抑郁症患者接受治疗前的脑电图（EEG）数据。脑电图是一种相对简单的测试，在这种测试中，放置在头皮上的电极可以记录大脑的电模式。总的来说，研究人员分析了228名患有严重抑郁症的参与者的预处理脑电图数据，这些参与者被随机分配到安慰剂组或舍曲林治疗组，舍曲林是一种常用的5-羟色胺再摄取抑制剂，用于治疗抑郁症。

然后，研究人员应用机器学习算法来确定谁对舍曲林和安慰剂的治疗有反应。许多研究都广泛证明，一些患者的健康状况可以在接受假治疗后得到改善。

Ravan解释道：“［安慰剂效应］可能基于患者的信念、对治疗团队的信任、简单的时间推移，或者实际上可能有反映大脑活动模式的生物基础，这可能是可测量的。”

她指出，更好地理解安慰剂效应可能会为那些从中受益的人带来更好临床治疗方法。事实上，研究结果表明，机器学习算法以及预测对舍曲林的反应（准确率为83.7%）同样可以检测到对安慰剂的反应（精确率为83%）。

不过，Ravan警告说，机器学习方法需要大量数据集，以确保结果能够转化为现实世界所应用，而这项研究是基于相对较小的样本量。“［但是］如果我们的算法真的像我们认为的那样准确，那么在现实世界中的应用将大大提高精神病治疗的效率和有效性，”她如此表示，并指出了便携式脑电图设备目前广泛可用，可以部署在服务不足的地区。

麦克马斯特大学精神病学和行为神经科学系副教授Gary Hasey也参与了这项研究，他表示，该团队目前正通过一家名为“数字医学专家”（Digital Medical Experts，DME）的初创公司，努力实现其方法的商业化和更广泛的操作性。

“DME在美国、加拿大和澳大利亚拥有精神病机器学习技术专利，”他说，“我们已经建立了远程收集脑电图数据所需的基础设施，并正在积极寻求进一步的投资。”

该团队还一直在探索使用机器学习来识别具有自杀意念的个人。值得注意的是，许多死于自杀的人在被问及自杀意念时会否认存在自杀意念。

Ravan说：“我们小组对68名被诊断患有严重抑郁症的受试者进行了一项研究，通过对EEG信号的机器学习分析，我们能够以70%的准确率识别出自杀意念的存在。我们目前正在使用更大的数据集进一步测试和训练这些算法。