查看: 50|回复: 0
打印 上一主题 下一主题

[数据分析基础] JAMA Psychiatry:脑影像机器学习预测精神疾病患者社会功能 [复制链接]

Rank: 5Rank: 5

水晶
2285
心级
1915
精华
0
主题
178
帖子
184
跳转到指定楼层
楼主
发表于 昨天?10:31 |只看该作者 |倒序浏览

社会和职业障碍加剧了精神病和抑郁症的负担。目前我们需要一种风险分层工具来为处于这些疾病风险中的早期阶段的个人提供个性化的功能障碍预防策略。
目的:

? ?1、使用临床的、基于影像的和组合的机器学习来确定是否可以在患有精神病的临床高风险(CHR)状态或近期发作的抑郁症(ROD)的患者中确定与社交和角色功能相关的预测因子;

? ? 2、评估机器学习的地理的(译者注:理解为多中心数据的一致性)、转诊的和预后的通用性,并将其与人类预后进行比较;

? ? 3、探索包括临床和组合机器学习在内的顺序预后(译者注:本文未解释文中出现的所有顺序一词的意义,译者猜测取自为其所使用的优化算法,即顺序和倒序两种搜索算法)。

实验设计:? ?

该多中心研究在5个欧洲国家/地区的7个学术早期识别服务(academicearly-recognitionservices)中对CHR(临床高风险)状态、以及ROD(近期发作的抑郁症)和新近发作的精神病和健康对照组的患者进行了18个月的随访。在2014年2月至2016年5月之间招募了参与者,并分析了2017年4月至2018年1月的数据。研究借此验证预后模型的表现和可推广性。

结果:? ???

在CHR状态下共有116个人(平均[SD]年龄,24.0[5.1]岁;58 [50.0%]女性)和120例ROD患者(平均[SD]年龄,26.1[6.1]岁;65)[54.2%]的女性)接受了329(142)天的平均(SD)随访。机器学习使用临床基准数据预测了1年的社交功能,对CHR状态76.9%的患者和ROD状态66.2%的患者具有平衡准确性。对于CHR(临床高风险)状态被试,使用结构神经成像模型的平衡准确度为76.2%,在ROD(近期发作的抑郁症)患者中为65.0%,在组合模型中(即融入影像与行为学数据模型),CHR状态为82.7%,ROD为70.3%。进入研究前的功能低下是转诊的预测因素。在CHR组中,内侧前额叶和颞顶枕灰质体积(GMV)的减少以及小脑和背外侧前额叶GMV的增加具有预测价值。颞叶和前额叶GMV的减少对ROD患者具有预测价值。CHR状态的被试(但不是ROD的患者)的预后不良与精神病,抑郁和焦虑症的风险增加相关。机器学习胜过专家的预测。将神经影像机器学习添加到临床机器学习中可将CHR状态不确定患者的预后确定性提高1.9倍,将ROD患者的预后确定性提高10.5倍。

结论:? ???

精密医学工具可以增强有效的治疗策略,旨在预防CHR状态或ROD患者的社会功能障碍。


1.引言

最近的研究已将早期识别和预防精神病的范围从疾病转移扩展到不良结果。这是因为出现在2%至10%的年轻人中的精神病临床高危(CHR)状态可能与包括情绪、焦虑和物质使用障碍在内的非精神病发病率有关。此外,CHR状态经常导致持续的神经认知和功能缺陷,这可能导致受影响的年轻人在个人发展的关键阶段越来越落后于同龄人。前瞻性研究表明,这些缺陷与临床和社会人口统计学风险因素相结合,预示了不良的临床结果。同样,经历首次严重情感发作的青少年和年轻人不仅有复发的风险,而且经常出现持续的功能缺陷、抑郁症状和生活质量下降,这在CHR病患中经常见到。这些共同的障碍可能表明,在这些疾病致残的结果之前,有一种常见的神经生物学替代方法。这种大脑病理学标记物可以准确地估计功能缺陷的风险,从而为这些弱势人群提供适应风险的预防性干预措施。

先前的研究表明,可以通过使用临床、神经认知、神经生理学和磁共振成像(MRI)数据,在研究背景和二级保健机构招募的CHR(临床高风险)状态的个别患者中预测精神病。该研究表明,通过机器学习研究进一步加强了这种精密医学方法,临床基线数据可能与跨多个站点的首发精神病和抑郁症的功能和治疗结果的预测指标相关。概念验证研究还表明,可以通过基于MRI的模型单独估算CHR状态的整体功能。但是,研究者应针对社交和角色功能领域分别评估功能结局的可预测性,因为这些领域可能与症状、神经认知功能缺陷和不良结局有不同的联系;例如,混乱和处理速度可能与社会残疾的预测因素有关(而社会残疾又与向精神病的转变有关),而运动障碍和语言流利性可能与职业残疾有关。此外,应在部分重叠的临床综合症(如CHR状态和重度抑郁症)之间比较可预测性,并在不同地域的大型弱势人群中进行基准测试。尽管已经从概念上提出了建议,但是,是否可以在顺序预后算法中有效组合行为和基于MRI的数据以优化预测能力的问题尚待经验验证。这种算法的临床实施不仅取决于其可推广性的证据,而且还取决于模型与医疗保健专业人员的做法之间的准确性。只有对此范围的保守估计表明可以提高准确性、时间和成本方面的临床推理,才能在临床环境中使用计算机辅助决策支持。

最后,特定结果相关的经过验证的预测变量可以为现有的社会心理干预措施提供资源分配工具,并促进生物行为机制研究,从而为社会和职业残疾提供新的个性化和预防性治疗。为了建立这样的预后标志,研究者收集健康对照参与者和年轻患者的多模式数据,进行个性化预后工具(PRONIA; http://www.promia.eu/)的早期精神疾病管理研究。收集的这些患者,满足CHR状态、最近发作的精神病或最近发作的抑郁症(ROD)的标准。

在第一项研究中,研究者测试了功能、神经解剖和组合机器学习模型的地理通用性(即临床多中心),以预测欧洲5个国家招募的CHR状态和ROD患者的1年社会和角色功能。本研究将评估模型在诊断和心理测量结果领域中的跨诊断转移性以及它们与预后性的关联性,将它们与临床评估者提供的预后评估相比较,并探索结合临床和基于影像学的模型的顺序预后算法。

2 .方法

2.1 样本选择和排除标准

论文使用国际公认的诊断标准,于2014年2月至2016年5月在5个国家的7个地点招募116名CHR患者,120名ROD患者,和176名健康对照者。文中使用标准化的纵向研究方案进行随访。在此基础上,参与者接受了全面的临床、神经心理学和神经影像学检查。

2.2实验步骤

本文运用机器学习工具NeuroMiner(version 0.998;https://www.pronia.eu/

neuro-miner/)训练3种模型并进行了留一站点(leave-site-out,与留一法思想类似,每次训练,本研究将某一地点的数据作为测试集,其余地点数据作为训练集)交叉验证使用的机器学习模型为反向消除支持向量机(sequentialbackwardelimination support vector machines,SBE-SVM)。第一次模型使用参与者的8个基本全局功能社交和角色得分建立模型,第二个模型分析了参与者的灰质体积图像。第三个模型将前两个模型的输出合并为一个结果。随后作者验证分析并评估了图像质量、随访间隔变化、站点相关变化和基线社会功能变化的影响。基于体素的形态计量学(VBM)分析比较患者组预测因子与对照组样本的神经解剖学变异的关联模式。最终进行模型相互比较,并与专家评分者的预后表现进行比较。同时,文中测试了2个临床组之间的可转移性,并评估了它们对社会功能以外的预后的可概括性。


篇幅限制,阅读全文请点击链接??https://mp.weixin.qq.com/s/XdzxWRcmWp6SWeOHjtcIsg

原文:

? ? Koutsouleris N, Kambeitz-Ilankovic L, Ruhrmann S, et al; the PRONIAConsortium.? ???Prediction models of functional outcomes forindividuals in the clinical high-risk state for psychosis or with recent-onsetdepression: a multimodal, multisite machine learning analysis. Published onlineSeptember 26, 2018. JAMA Psychiatry.


如需原文及补充材料请加微信:siyingyxf 获取,如对思影课程感兴趣也可加此微信号咨询。


转发到微博
您需要登录后才可以回帖 登录 | 注册

bottom

Powered by Discuz! X2

? 2001-2011 Template By Yeei. Comsenz Inc.

回顶部