Psychiatry Research：机器学习方法在精准医疗中应用于预测TRD患者ESK-NS治疗反应的临床预测因素

精准医疗可以通过预测现有治疗方法对个体患者的有效性来个性化护理，从而优化卫生系统资源。机器学习方法处理大量数据，根据特定特征（即临床表型）为定制治疗分层患者。目前，精度值大于50％被认为是实际可接受的。新兴证据强调了机器学习方法在抑郁障碍的背景下的潜在益处，应用于诊断和个性化治疗策略。抗抑郁药治疗两次剂量和持续时间充足但仍有主要抑郁发作的患者被定义为“治疗耐受性”。TRD对健康系统资源产生重大负担以及重要的社会和经济影响。因此，识别预测治疗反应的临床指标至关重要。

爱司匹林鼻喷雾（ESK-NS）的鼻腔给药为TRD患者带来了新的希望，其RCT中高反应率（分别为70％和64％）和自然环境中的有效性，而现在则代表着TRD管理的循证方法。自然数据还表明，ESK-NS在TRD的多种临床表现中，如老年患者、合并物质使用障碍或双相障碍等方面具有有效性。

然而，确定预测性临床特征仍然是未解决的问题，因为ESK-NS的疗效在TRD患者中可能存在差异，有些患者比其他患者受益更多。ESK-NS与谷氨酸能系统相互作用，拮抗NMDA受体，导致TRD患者之间的疗效差异。这些初步数据凸显了需要更精确的ESK-NS在TRD中的应用。

该研究使用机器学习方法调查了基线临床因素以预测ESK-NS反应，并评估了哪些TRD患者更有可能在ESK-NS治疗三个月后实现临床缓解。该研究纳入了149例TRD患者，这些患者之前曾接受至少两种抗抑郁药物治疗但未获得有效疗效。在基线（T0）以及治疗开始后一个月（T1）和三个月（T2）进行了心理测量评估。治疗效果根据Montgomery-Åsberg抑郁评定量表（MADRS）得分的降低程度进行评估。接着，作者使用基线临床数据创建了机器学习模型来预测治疗效果，并确定了预测中最具信息量的特征。模型包括T0临床变量，并使用随机森林技术，包括随机上采样和平衡准确性以防止偏差。

fig1.Most predictive variables for T1-response prediction. 

这是第一项使用机器学习方法研究预测ESK-NS治疗难治性抑郁症的反应和缓解因素的研究，预测模型准确地预测了结果：一个月的反应为68.53％；三个月的反应为66.26％；三个月的缓解为68.60％。研究强调了丧失愉悦感和绝望/悲观情绪作为ESK-NS治疗三个月后的积极结果的预测因素的重要性。这与以前的氯胺酮研究一致（静脉给予的左旋氯胺酮研究支持其在单极和双相患者中潜在的抗丧失愉悦作用）。氯胺酮和ESK-NS可能通过调节奖励网络回路来恢复愉悦功能，解释了谷氨酸化合物作为抗丧失愉悦疗法的潜力。

该研究发现精神活性和焦虑障碍的共患是ESK-NS治疗反应的积极预测因素。这些维度包括内部紧张、不安、运动紧张、精神焦虑和一般焦虑症状。

双相特征被发现对ESK-NS治疗反应和缓解有显著影响。然而，需要更多的研究来确定ESK-NS在双相障碍治疗中的作用。

该研究还发现，慢性疼痛和酒精滥用是ESK-NS治疗非反应的预测因素。慢性疼痛可能干扰神经递质通路和神经可塑性，从而导致ESK-NS的治疗效果降低。

综上所述，该研究为爱司匹林鼻喷雾在TRD治疗中的应用提供了宝贵的见解，有助于确定对ESK-NS有反应的表型，从而指导治疗选择。不仅如此，还突显了机器学习在预测治疗效果方面的潜力。这些发现还需要进一步的研究来加深我们对难治性抑郁症治疗的理解。

文献出处：

Pettorruso M, Guidotti R, d’Andrea G, et al. Predicting outcome with Intranasal Esketamine treatment: a machine-learning, three-month study in Treatment-Resistant Depression (ESK-LEARNING). Psychiatry Research. Published online July 2023:115378. doi:10.1016/j.psychres.2023.115378