小编发现不少朋友对于AI可以预测患者对常见抗抑郁药的反应这方面的信息都比较感兴趣，小编就针对AI可以预测患者对常见抗抑郁药的反应整理了一些相关方面的信息 在这里分享给大家。
根据JAMA Network Open上发表的新研究，机器学习可以在规划诊断为重度抑郁症(MDD)的患者的治疗中发挥关键作用。
“由于抑郁症的异质性以及对抗抑郁药确切作用机制的共识，使患者适应有效治疗一直是从业者的艰巨任务，”主要作者安德烈·兹达诺夫(Andrey Zhdanov)博士在英国萨里的西蒙·弗雷泽大学(Simon Fraser University)写道。哥伦比亚大学和同事们。“目前，从业人员使用长时间的反复试验过程来确定每位患者的最佳抗抑郁药，患者通常要花费数月至数年的时间才能经历令人痛苦的症状。尽管可以通过临床访谈和量表来确认症状的诊断和严重程度，但不足以为每位患者选择合适的治疗方法。”
这组作者写道，预测患者对某些药物的反应方式可能会对医疗服务提供者如何治疗诊断为MDD的患者产生巨大影响。脑电图(EEG)记录“通过附着在患者头皮上的电极捕获的信号所捕获的信号”，它是“一种有前途的技术，可用于确定抗抑郁药治疗反应的生物学预测因子。”
该团队研究了来自122名成年MDD患者的基线脑电数据，这些患者已经用10-20 mg常见的抗抑郁药依西酞普兰完成了八周的治疗。使用机器学习模型，支持向量机，Zhdanov等。能够鉴定出对依他普仑有反应的患者，其估计准确度为79.2%，敏感性为67.3%，特异性为91%。
对于115名研究参与者，治疗前两周后的脑电图数据也可用-更新后，估计的准确性提高到82.4%，敏感性提高到79.2%。同时，特异性降至85.5%。
作者写道：“假设，将基线神经动力学与神经动力学的早期变化(治疗2周后的变化)结合起来，可以得出最准确的预测。” “留一站式交叉验证的结果还表明，跨多个站点汇总的数据的大规模分析对分类器的性能没有显着影响。”
作者还指出，通过机器学习过程确定的许多功能已经通过其他研究得到了观察。但是，这项研究确实揭示了以前没有报道过的其他特征，例如半球之间神经活动复杂性的不对称性。
作者写道：“发现新的脑电图特征可预测治疗结果，这是使用相对较大的数据样本对大量候选指标进行系统评估的结果。”