迈向结果驱动的患者亚组：六项抑郁症治疗研究的机器学习分析
机器学习
2023-03-31 v2 人工智能
摘要
重性抑郁障碍（MDD）是一种异质性疾病；多种潜在的神经生物学基质可能与治疗反应的可变性相关。理解这种可变性的来源并预测结果一直难以实现。机器学习在预测 MDD 治疗反应方面已显示出前景，但一个局限是机器学习模型缺乏临床可解释性。我们使用差分原型神经网络（DPNN）分析了六项药物治疗抑郁症临床试验的数据（总 n = 5438），该神经网络模型可导出患者原型，用于在学习的生成差异治疗反应概率的同时导出与治疗相关的患者聚类。使用临床和人口统计学数据训练了一个对五类一线单药治疗和三类联合治疗分类缓解并输出个体缓解概率的模型。模型有效性和临床效用分别基于曲线下面积（AUC）和模型引导治疗下样本缓解率的预期改善来度量。事后分析基于训练期间学习到的患者原型产生聚类（亚组）。通过评估特征分布和治疗特异性结果的差异来对原型的可解释性进行评价。一个 3 原型模型达到了 0.66 的 AUC，以及相对于样本缓解率的预期绝对人群缓解率改善。我们识别出三个具有临床可解释性的治疗相关患者聚类。使用机器学习模型生成新的治疗相关患者画像是有可能的；这样做或可改善抑郁症的精准医疗。注：该模型目前不是任何活跃临床试验的对象，且不用于临床用途。
引用
@article{arxiv.2303.15202,
title = {Towards Outcome-Driven Patient Subgroups: A Machine Learning Analysis Across Six Depression Treatment Studies},
author = {David Benrimoh and Akiva Kleinerman and Toshi A. Furukawa and Charles F. Reynolds and Eric Lenze and Jordan Karp and Benoit Mulsant and Caitrin Armstrong and Joseph Mehltretter and Robert Fratila and Kelly Perlman and Sonia Israel and Myriam Tanguay-Sela and Christina Popescu and Grace Golden and Sabrina Qassim and Alexandra Anacleto and Adam Kapelner and Ariel Rosenfeld and Gustavo Turecki},
journal= {arXiv preprint arXiv:2303.15202},
year = {2023}
}