Как ИИ прогнозирует исходы лечения антидепрессантами: персонализированная медицина в психиатрии

Как искусственный интеллект прогнозирует результаты лечения антидепрессантами

Недавно проведённый многоинституциональный исследовательский проект продемонстрировал, что искусственный интеллект (ИИ) и методы машинного обучения (ML), интегрированные с электронными медицинскими картами (ЭМК), способны с высокой точностью предсказывать исходы лечения антидепрессантами. Исследование участились ученые изVaill Cornell Medicine, Temple University, University of Washington, Mayo Clinic, Northwestern University и University of Florida, а его работа была частично финансирована Национальными институтами здравоохранения США (NIH). Исследователи указывали, что такие исследования имеют потенциал для создания клинических инструментов принятия решений, обеспечивающих персонализированное управление депрессией.

По оценкам Всемирной организации здравоохранения (ВОЗ), приблизительно 280 млн человек по всему миру, что составляет 3,8% глобального населения, испытывают депрессию. К счастью, существуют эффективные методы лечения. Симптомы депрессии, согласно Американской психиатрической ассоциации, могут включать устойчивые чувства грусти, потеря интереса или удовольствия от ранее насыщенных занятий, чувства вины или недостойства, мысли о суициде или смерти, замедленные движения или речь, трудности с мышлением или принятием решений, проблемы с концентрацией внимания, изменения аппетита, избыточный или недостаточный сон, а также потеря энергии или повышенная усталость.

Эффективность антидепрессантов и их типы

Хотя антидепрессанты часто назначаются пациентам с депрессией, из-за сложной этиологии и неоднородности симптомов депрессии prior studies suggest that antidepressant treatment efficacy is usually low, with as few as 11–30 percent of depressed patients obtaining remission after initial treatment. Антидепрессанты, используемые для лечения депрессии, включают в себя следующие группы, согласно Управлению по контролю за пищевыми продуктами и лекарственными средствами США (FDA): Selective Serotonin Reuptake Inhibitors (SSRI) — ингибиторы селективного перехвата серотонина; Serotonin and Norepinephrine Reuptake Inhibitors (SNRI) — ингибиторы перехвата серотонина и норадреналина; Monoamine Oxidase Inhibitors (MAOIs) — ингибиторы моноаминоксидазы; Neuroactive Steroid Gamma-aminobutyric Acid (GABA)A Receptor Positive Modulator; Трициклические и тетрациклические антидепрессанты; Атиптические антидепрессанты; и N-methyl Daspartate (NMDA) антагонисты.

Машинное обучение для предсказания исходов лечения

Ученые использовали разнообразные алгоритмы машинного обучения для анализа данных, включая gradient boosting decision tree (GBDT), Naïve Bayes (NB), random forest (RF) и L2 norm regularized logistic regression (LR). Для реализации алгоритма градиентного бустинга деревьев решений использовалась программная библиотека XGBoost, а для остальных алгоритмов — библиотека scikitlearn на языке Python. В ходе исследования алгоритм градиентного бустинга деревьев решений показал наилучшие результаты в предсказании исходов лечения антидепрессантами.

Градиентный бустинг деревьев решений (GBDT)

Использование GBDT позволило наиболее точно предсказывать исходы лечения. Данный метод последовательно обучает множество мелких деревьев решений, корректируя ошибки предыдущих шагов и накапливая прогнозные способности. В исследовании для алгоритма GBDT применялась программная библиотека XGBoost, которая известна своей эффективностью и скоростью обработки больших массивов данных.

Другие используемые алгоритмы

Naïve Bayes (NB) основан на вероятностном подходе и предполагает независимость наблюдаемых признаков при классификации. Этот метод часто используется как Baseline для сравнения производимости более сложных моделей. Random forest (RF) создает множество деревьев решений и уточняет итоговый результат через механизм голосования, что делает его устойчивым к переобучению. L2 norm regularized logistic regression (LR) применяет регуляризацию L2 для предотвращения переобучения модели, улучшая ее обобщающую способность на невидимых данных.

Данные исследования и характеристика когорты

В исследовании использовались полностью обезличенные данные от более 800 взрослых пациентов, получивших хотя бы один рецепт антидепрессантов в амбулаторном клиническом центре Нью-Йорка. Для обучения моделей ИИ ученые использовали структурированные данные из электронных медицинских карт: сведения о лекарственных препаратах, проведенных процедурах, демографическую информацию, базовую тяжесть депрессии в момент поступления и наличие сопутствующих заболеваний (коморбидностей).

Коморбидности и их клиническое значение

Коморбидности определять как наличие одновременно более одного заболевания или расстройства, которое может существенно повлиять на физическое или психическое здоровье пациента. Исследования, опубликованные Jack M. Gorman M.D. в журнале Depression and Anxiety, показывают, что до 90% пациентов с расстройствами тревоги имеют сопутствующую депрессию. Это подчеркивает важность комплексного подхода к диагностике и лечению.

Сопутствующие хронические заболевания

Пациенты с хроническими медицинскими состояниями, такими как онкологические заболевания, неврологические, метаболические и сердечно-сосудистые расстройства, часто имеют депрессию как коморбидность. По данным Национального института рака, до 25% онкологических пациентов страдают депрессией. У пациентов с сердечной недостаточностью показатели еще выше: до 30% также страдают депрессией, согласно публикации «Депрессия и сердечная недостаточность: одиночное коморбидность», вышедшей в Европейском обществе кардиологии.

«Beyond informing targeted treatments, these predictive models may potentially contribute to the design of a new generation of EHR-linked clinical trials», — предложили исследователи. «Врачи могут разделять пациентов на группы «высокого риска» и «низкого риска» на основе предсказательных результатов («ухудшение» или «восстановление») и уделять больше внимания лечению и прогнозу группы «высокого риска».

Перспективы интеграции ИИ в клиническую практику

Ученые полагают, что их алгоритмы ИИ могут быть полезны для разработки более целевых психиатрических планов лечения. «Наш предсказательный инструмент имеет потенциал ускорить персонализированную медицинскую помощь у пациентов с psychiatric illnesses», — заключили исследователи. Интеграция ИИ с ЭМК позволяет врачам прогнозировать, какой пациент скорее всего достигнет ремиссии, а у кого повышен риск ухудшения состояния. Это особенно важно при учёте индивидуальных особенностей пациента, его медицинской истории и сопутствующих условий.

• ИИ может значительно снизить методом проб и ошибок время до эффективного лечения, что критически важно для пациентов с тяжелой депрессией.
• Персонализированные прогнозы помогают избежать нежелательных побочных эффектов и неэффективных схем терапии, экономя время и ресурсы клиники.
• Интеграция с ЭМК обеспечивает прозрачность данных и облегчает организацию клинических испытаний нового поколения, связанных с электронными картами.

Заключение и будущие directions

Исследование, финансированное в части Национальными институтами здравоохранения (NIH), демонстрирует мощный потенциал машинного обучения для улучшения исходов лечения депрессии. Будущие клинические решения будут все чаще опираться на данные-driven подходы, позволяя персонализировать терапию и улучшать качество жизни пациентов. Ученые продолжат работу по уточнению моделей, включению дополнительных клинических переменных и валидации результатов на более широких когортах пациентов из разных регионов мира.

Перспективы использования ИИ в психиатрии растут, и интеграция этих технологий в повседневную клиническую практику может стать переломным моментом в борьбе с депрессивными расстройствами, обеспечив более точную, эффективную и доступную помощь для миллионов пациентов worldwide.