机器学习与抗抑郁反应

《焦虑症一直好不了我来帮你找到痊愈的方向吧》 《惊恐障碍总复发看看我是如何自愈的》

                                                                       

几周前(2017年2月22日)， JAMA精神病学(一项顶级精神病学期刊)进行了一项新研究，题为“重新评估抗抑郁药的疗效和可预测性:A症状聚类方法."在这项研究中，Adam M. Chekroud博士及其同事使用了一种新近流行的统计技术，即机器学习，来问一个问题:“哪个重度抑郁症(MDD)患者会对哪种药物产生反应?"

到目前为止，这种选择基本上是反复试验.

本报告使用了之前进行的9项大型抗抑郁治疗研究的数据，其中包括2项由联邦政府资助的大型研究STAR * D和CoMED，以及7项制药公司的研究，比较了不同药物.这是使用机器学习和相关方法来确定更有效治疗方法的持续过程的一部分(请参见主要作者AM Chekroud和https://www.spring.care的工作)

这种创造性的“机器学习"方法正被用于识别与包括精神病学在内的许多医学分支对治疗的更好反应有关的模式.机器学习发现模式来预测数据本身中的治疗反应，而不是依靠研究人员或临床医生对哪些症状最重要或它们如何相互关联的先入之见.该技术通常在数据集中进行搜索，使用"N减1"方法测试连接，每次分析都减去一个主题，其他时间则使用一部分数据集(例如一半)，然后比较在该部分中观察到的模式与其他.然后可以在其他研究的数据上测试这些模式，以查看它们是否仍具有预测性.

大多数研究人员认为，重度抑郁症是“异质性"的，也就是说，它包括具有相似症状的几种不同疾病，而不是单一疾病.因此，如果有可能分解出亚型，那么对于医学反应和理解这些可能不同的疾病的不同生物学都有着重要的价值.

这项最新研究的研究人员发现了3大类症状(他们称之为核心情感症状；睡眠(失眠)；以及“非典型症状").总的来说，他们发现抗抑郁药对情绪症状的疗效要优于其他两种症状.在某些领域(高剂量的5-羟色胺-去甲肾上腺素再摄取抑制剂度洛西汀与SSRI艾司西酞普兰比较)，某些药物比其他药物更有效.

这项研究的一个有用结果是一个在线工具https://www.spring.care/spring-assesssment，该问卷可以供患者和医生用来帮助做出决定.

一种有趣的可能性:这项研究(可能还有新工具)可以帮助“个性化"治疗，根据患者的症状使抗抑郁药与特定患者匹配.

它可能有助于开发新药，这些新药可以针对这些症状.由于不同的症状群可能反映抑郁症患者的大脑异常，因此它可能指导抑郁症的生物学研究.不同的大脑回路可能参与这些不同的症状群.

这项研究确实有一定的局限性:不同的研究设计(其中两项研究未使用安慰剂；两项研究之间的“致盲性"有所不同)，而9项研究中有7项使用一种药物(度洛西汀).此外，所有研究中的症状群都不相同，不同研究中的症状项略有不同，这表明它们不是“一成不变的"，我们可能对它们没有确切的了解.此外，该研究仅关注药物研究而不是心理疗法研究.某些形式的心理治疗(CBT，行为激活)可能对药物反应不佳的症状有用.应该在其他研究的数据中对这三个聚类进行测试，以了解它们是否成立.

对我来说，作为一名执业精神病医生的最大局限性在于，尚不清楚这些发现可用于患者个人护理的程度如何—一方面，研究经常排除患有医学或其他问题(例如滥用药物等)的人.

我要提出的问题:

··作为医生，与随机选择抗抑郁药相比，我需要根据这些预测治疗多少患者才能使多一名患者更好?

··作为一名患者，如果我的医生遵照本研究或在线工具(spring.care)的建议进行治疗，而我/她选择了自己喜欢的药物，那么我对某种特定药物做出反应的可能性会增加多少是基于“他/她的经验"?

但是对我来说，作为研究人员最有趣的是， my 组有许多可以测试此范例的数据集.我们哥伦比亚精神病学抑郁评估服务小组进行了数十项研究在过去的几十年中，通常使用与本报告调查相同的评级量表.我们可以使用相同的方法来查看我们的数据集.一个好处是:我们在许多研究中还完成了MRI和其他成像(例如EEG)，并且我们已经开始在THOSE样本上使用相同的机器学习方法.我们正在寻找机器学习可以识别出与药物反应(就此而言，是安慰剂)最相关的大脑回路.很多时候，机器学习技术带来的东西是完全出乎意料的，因此，尽管这样的调查以一种方式是“钓鱼"，但另一方面却代表了科学探索的最佳方法之一，即探索未知事物.当然，任何这样的探索都可以发现随机噪声...所以任何这样的发现都迫切需要在不同的数据集中进行``复制''...来自完全不同的研究.