Optimering af diagnose og behandling af depression baseret på multidimensionel klinisk vurderingsklassifikation

Major depressiv lidelse (MDD) karakteriseret ved høj udbredelse, høj recidivrate og høj invaliditetsrate er en psykisk sygdom med den tungeste byrde og er blevet et stort folkesundhedsproblem i Kina og verden. Store udfordringer i diagnosticering og behandling af depression består af den komplicerede patogenese, mangel på objektive diagnostiske kriterier, utilfredsstillende behandlingsresultater og dårlig behandlingscompliance. De tidligere undersøgelser af vores forskerhold viste, at depression påvirkes af flere faktorer. Vi kunne udforske vigtige markører for diagnosticering, behandling og forudsigelse af behandlingseffektivitet i deprimerede patienters data indsamlet fra forskellige dimensioner, herunder immunmetabolisme, hjerneelektrofysiologi, hjernestruktur og funktionelle neurale kredsløb, neuropsykologi og psykofysiologi. Vores afsluttede undersøgelser i det nationale videnskabs- og teknologistøtteprogram og det nationale nøgleforsknings- og udviklingsprogram (R&D) i den 12. og 13. femårsplan i Kina viste, at behandling designet til specifikke kliniske undertyper kan forbedre behandlingseffekten, og i mellemtiden kan Anvendelse af elektronisk måling baseret pleje (e-MBC) kombineret med smarte mobile terminaler kan effektivt give hele forløbet medicinsk behandling for patienter, forbedre patientcompliance og øge effektiviteten af ​​klinisk diagnose og behandling. Men på grund af sygdomsdiagnostik baseret på klinisk symptomatologi uden subtype-skelning og mangel på multi-skala biologisk data mining, multidimensional vurdering og dyb integration, kan resultaterne af de fleste tidligere undersøgelser næppe bruges i klinisk praksis. Derfor er der en stærk trang til at udføre en systematisk forskning, hvor multidimensionel evaluering af kliniske karakteristika og en stor skala af dataindsamling og mining er nødvendig for at danne klinisk diagnose og optimale behandlingsregimer for depressionsundertyper. For at nå målet vil patienter med depression være vores forskningsemne i denne undersøgelse. For det første vil patienternes data om bevægelse, respirationsfrekvens, hjertefrekvens og søvn blive yderligere indsamlet på baggrund af det tidligere kohortestudie og hel-forløb e-MBC. Ved hjælp af kunstig intelligens (AI) teknologi såsom dyb maskinlæring vil data integreret med EEG-billeddannelse og specifikke immunmetaboliske markører i blod blive analyseret med kliniske karakteristika. Modellen for diagnose og klassificering vil blive etableret baseret på multidimensionel klinisk vurdering og verificeret. For det andet, gennem et prospektivt multicenter randomiseret kontrolleret forsøg, vil optimale behandlingsregimer for forskellige undertyper af depression og individualiseret magnetisk stimuleringsteknologi, der navigeres af AI, blive udforsket for at etablere en prædiktiv model for helbredende effekt. Endelig kan langtidsopfølgning og dens regelmæssige dataindsamling gennemføres på patientdiagnose- og behandlingsplatformen, som er knyttet til e-MBC. Der vil således blive oprettet en stabil klinisk kohorte og en avanceret database indeholdende multidimensionel information om depression. Hele kursets e-MBC management platform vil blive optimeret og fremmet for at forbedre patientcompliance, behandlingseffektivitet og prognose. Denne undersøgelse kan give evidens for præcis diagnose og klassificering af depression og optimale behandlingsregimer for forskellige undertyper.