Ein latent-space machine-learning-Algorithmus, der speziell für Ruhe Elektroenzephalographie (rsEEG) Vorhersagen kann das Behandlungsergebnis mit Sertralin bei depression, laut einer Studie online veröffentlicht Feb. 10 in Nature Biotechnology.
Wei Wu, Ph. D., von South China University of Technology in Guangzhou und Kollegen eine latent-space machine-learning-Algorithmus, der speziell für rsEEG und angewandt wird, um Daten aus einer Behandlung mit Antidepressiva Prognose-Studie in der depression zu identifizieren, die Behandlung reagiert neurobiologischer Phänotyp.
Die Forscher fanden heraus, dass symptom ändern vorhergesagt wurde in einer Weise, die war spezifisch für Sertralin versus placebo und verallgemeinerbare Studie über Websites und EEG-Anlagen. Die Sertralin-predictive EEG-Signatur verallgemeinert, um eine zweite depression Stichprobe; reduzierte EEG-prognostizierte Verbesserung der Symptome gesehen wurde mit der Sertralin-definiert Modell für historisch-Behandlung-resistenten Patienten im Vergleich mit jenen zeigt, die partielle Antwort. In einer Dritten unabhängigen Datensatz, zwei Eigenschaften, die der prädiktiven Signatur, die geprüft wurden: konvergente Validierung und neurobiologische Bedeutung. In diesem Beispiel werden die rsEEG abgeleitete Ergebnis Vorhersagen indiziert präfrontalen neuronalen Empfindlichkeit, gemessen durch gleichzeitige transkranielle magnetische stimulation (TMS). Je kleiner die rsEEG-prognostizierte Verbesserung der Symptome mit Sertralin, die besser die Reaktion auf die TMS-Behandlung über dem rechten dorsolateralen präfrontalen cortex bei gleichzeitiger Psychotherapie in einem vierten depression Behandlung der Daten festlegen.
„Diese Ergebnisse Boden in der individuellen Ebene der Neurobiologie eine Behandlung reagiert Phänotyp verdeckt in die breitere klinische Diagnose der depression und seine damit verbundenen biologischen Heterogenität, und legen Sie einen Pfad in Richtung machine-learning-driven personalisierte Ansätze zur Behandlung der depression,“ die Autoren schreiben.