人工智能基于脑电波模式预测有效的抑郁症治疗

2020-06-30 21:27:42

斯坦福大学精神病学教授Leanne Williams博士说,目前用于诊断和治疗抑郁症的方法充其量是不精确的,在很大程度上依赖于对调查问题的主观回答。更糟糕的是,这些方法可以导致治疗选择,进一步推迟患者的康复随着疾病的进展。

威廉姆斯说,目前的治疗方法是一个反复试验的过程。它是一刀切的。如果第一种疗法不起作用,就会尝试第二种疗法。我们需要一个更精确的工具来首先选择最好的治疗方案。

威廉姆斯和她的合作者开始定义一种更有效的模型,他们希望这种模型能很快用于临床。在最近的一项研究中,他们部署了一种算法来解释抑郁症患者特有的脑波模式,目的是更好地查明哪些症状会随着治疗而改变。

我们知道抑郁症的异质性很强,至少有1000种独特的症状组合可以诊断为抑郁症,威廉姆斯说,他是斯坦福大学精确心理健康与健康中心的主任。我们发现脑波测量可以用来帮助识别哪些症状在抗抑郁药物治疗后会改变,哪些不会。

根据美国国家精神卫生研究所的数据,严重抑郁症是美国最常见的精神障碍,2017年约有7%的成年人受到影响。在这些人中,大约有一半从未得到诊断;对于那些得到诊断的人来说,按照目前的试验和错误过程,找到正确的治疗可能需要数年时间。

威廉姆斯研究收集了518名被诊断为抑郁症的患者的数据,这些患者被随机分成三种不同的抗抑郁药中的一种进行为期八周的治疗。基于脑波数据,该算法成功地预测了哪些症状在治疗后有所改善,其中包括自知力和体重减轻等七种症状的表现最好。

创造新的、客观的、高科技的实验室测试来帮助诊断精神障碍一直是威廉姆斯和其他翻译神经科学家的目标。临床医生目前依赖于调查,而不是进行血液测试或使用心脏监测仪的测量结果:要么是患者,要么是医生自己列出症状。如果患者有一定数量的各种不同的症状-包括情绪低落、食欲变化、丧失洞察力、精力丧失和注意力不集中-那么他们就会被广泛诊断为临床抑郁症。

在新模型中,威廉姆斯与斯坦福大学人工智能医疗训练营的研究人员合作,由计算机科学兼职教授安德鲁·吴(Andrew Ng)博士领导的一个小组。研究小组着手设计一种算法,能够预测各种抑郁症状通过抗抑郁治疗的改善。个人症状数据与脑电图(EEG)测试的个人记录相结合,EEG测试监测参与者的大脑电活动。

我们可以应用人工智能来学习数据中的复杂关系,计算机科学博士生普拉纳夫·拉杰普卡尔(Pranav Rajpurkar)说,他与硕士生杨景波(音译)共同参与了这项研究。我们能够了解并发现患者在治疗开始时的抑郁症状--和脑电图读数--与他们8周后的抑郁症状之间的有趣关系。

Rajpurkar说,该算法还能够识别具有与不良结果风险较高相关的临床症状的个人,如自杀。由于诊断的主观性,这些症状可能会被遗漏。例如,标有洞察力差的症状,这意味着患者可能无法意识到他们的病情程度,经常被忽视。

她说:我们需要新的模型,比如这个模型,以提供这些抑郁风险因素的客观衡量标准,以确定哪些人可能受益于更密集的治疗,或者抗抑郁药以外的治疗,目标是尽快获得最佳治疗。