Psychol Med:机器学习方法优化精准医疗以优化抑郁症治疗
2024-04-07 xiongjy MedSci原创 发表于上海
集成机器学习算法在预测七种第二步治疗的缓解状态方面表现出差异分类性能。对于全套预测变量,AUC 值范围为 0.51 至 0.82,具体取决于第二步治疗类型。预测缓解对认知疗法最成功。
抗抑郁药单药治疗,如选择性血清素再摄取抑制剂(SSRIs),是抑郁症最常见的第一步治疗,占所提供治疗方式的87%。但不到三分之一的抑郁症患者通过标准的第一步抗抑郁药物单药治疗成功缓解。
确定适当的第二步护理的过程通常基于临床直觉,涉及长期的试验和错误过程,导致患者负担沉重,并在提供最佳治疗方面造成不必要的延误。为了解决这个问题,作者采用了集成机器学习方法来提高对第二步治疗的缓解的预测准确性。
从结果来看,集成机器学习算法在预测七种第二步治疗的缓解状态方面表现出差异分类性能。
图 1.具有完整预测变量集的模型的 ROC 曲线
对于全套预测变量,AUC 值范围为 0.51 至 0.82,具体取决于第二步治疗类型。预测缓解对认知疗法最成功(AUC = 0.82),而对其他药物和联合治疗方案预测缓解最不成功(AUC = 0.51-0.66)。
表 2.前十大过滤变量
对于具有前十个过滤变量的模型,结果显示,对于五个第二步处理,分类性能明显优于机会。最佳预测性能仍与CT(AUC=0.72,95%CI 0.504-0.94)和BUP(AUC=0.70,95%CI 0.62-0.79)治疗相关。此外,对 CITCT (AUC = 0.65, 95% CI 0.501–0.81)、VEN (AUC = 0.60, 95% CI 0.51–0.68) 和 SER (AUC = 0.59, 95% CI 0.51–0.67) 的预测具有统计学意义。
表 3.具有十大预测变量的预测性能
图2.具有前十个预测变量的模型的 ROC 曲线
总的来说,集成机器学习具有预测第二步治疗的潜力。在这项研究中,预测性能因治疗类型而异,与药物治疗干预相比,预测行为治疗缓解的准确性更高。未来的方向包括考虑信息量更大的预测因子模式,以增强对第二步治疗反应的预测。
原始出处:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#抑郁症# #机器学习#
50