Применение машинного обучения для прогнозирования риска депрессии у пациентов с системными заболеваниями соединительной ткани

Введение

Депрессия является значимой глобальной проблемой, занимающей второе место среди причин инвалидности и являясь серьезным фактором риска для суицида. Системные заболевания соединительной ткани (СЗСТ), такие как системная красная волчанка (СКВ), синдром Шегрена (СС), ревматоидный артрит (РА) и другие, являются аутоиммунными заболеваниями, вызывающими как физические, так и эмоциональные расстройства, в частности депрессивные симптомы, что снижает качество жизни.

Причины депрессии у пациентов с СЗСТ сложны и могут включать аутоантитела, генетические факторы, воспалительные цитокины и побочные эффекты лекарств, таких как глюкокортикоиды. Исследования показывают, что воспаление и определенные аутоантитела при СКВ значительно коррелируют с тяжелой депрессией. Цитокиновая гипотеза предполагает, что воспаление, вызванное различными стрессорами, играет ключевую роль в развитии депрессии.

Традиционные инструменты оценки депрессии, такие как Опросник здоровья пациента-9 (PHQ-9), Шкала депрессии Гамильтона (HDRS) и Инвентарь депрессии Бека (BDI), хотя и широко используются, имеют ограничения. Они требуют значительного времени и клинической экспертизы, что подчеркивает необходимость улучшения методов оценки депрессии у пациентов с СЗСТ.

Методы

Исследование проводилось с августа 2019 по декабрь 2023 года в отделении ревматологии и иммунологии Нанкинской первой больницы. В исследование были включены пациенты с подтвержденным диагнозом СЗСТ, включая СКВ, СС, РА, системную склеродермию (ССк), дерматомиозит (ДМ), полимиозит (ПМ) и смешанные заболевания соединительной ткани (СЗСТ).

Данные пациентов включали демографические характеристики, историю сопутствующих заболеваний, использование лекарств, результаты лабораторных тестов и оценку депрессии по шкале PHQ-9. Для оценки боли использовалась Визуальная аналоговая шкала (VAS). Активность заболеваний оценивалась с помощью различных шкал, таких как SLEDAI-2000 и DAS 28-CRP.

Анализ данных и модели машинного обучения

Данные прошли предварительную обработку для устранения пропущенных значений и стандартизации признаков. Были использованы методы единичного анализа и алгоритм LASSO для отбора признаков. Были построены и оценены шесть моделей машинного обучения: логистическая регрессия (LR), машина опорных векторов (SVM), классификатор случайного леса (RFC), Light Gradient Boosting Machine (LGBM), Catboost и искусственная нейронная сеть (ANN).

Для оценки моделей использовался тестовый набор данных. Были использованы метрики оценки, такие как матрица ошибок, многоклассовые ROC-кривые, макро-усредненная AUC, коэффициент Каппы, средняя точность, полнота и F1-балл.

Результаты

Из шести моделей Catboost показала наилучшие результаты по различным метрикам, включая F1-балл для мягких, умеренных и тяжелых случаев депрессии. Модель Catboost была интерпретирована с использованием метода SHAP для оценки вклада различных признаков в прогнозирование уровня депрессии.

Основные признаки, связанные с депрессией, включали усталость, наличие анти-Ro52 антител, продолжительность сна, количество тромбоцитов и лимфоцитов.

Выводы

Исследование показало, что модель Catboost является значительным достижением в оценке риска депрессии у пациентов с СЗСТ, подчеркивая потенциал машинного обучения в улучшении управления психическим здоровьем для этой группы пациентов. Разработанное веб-приложение на базе R Shiny позволяет клиницистам легко использовать модель для оценки риска депрессии в реальном времени.

Модель Catboost представляет собой значительное улучшение в оценке риска депрессии у пациентов с системными заболеваниями соединительной ткани, подчеркивая потенциал машинного обучения в улучшении управления психическим здоровьем для этой группы пациентов.