Optimierung der Diagnose und Behandlung von Depressionen basierend auf einer mehrdimensionalen klinischen Bewertungsklassifizierung

Major Depression (MDD), gekennzeichnet durch eine hohe Prävalenz, eine hohe Rezidivrate und eine hohe Invaliditätsrate, ist eine Geisteskrankheit mit der schwersten Belastung und hat sich zu einem wichtigen Problem der öffentlichen Gesundheit in China und der Welt entwickelt. Große Herausforderungen in der Diagnose und Behandlung von Depressionen bestehen in der komplizierten Pathogenese, dem Fehlen objektiver diagnostischer Kriterien, unbefriedigenden Behandlungsergebnissen und mangelnder Therapietreue. Die bisherigen Studien unseres Forschungsteams zeigten, dass Depressionen von mehreren Faktoren beeinflusst werden. Wir konnten wichtige Marker für die Diagnose, Behandlung und Vorhersage der Behandlungswirksamkeit in Daten depressiver Patienten untersuchen, die aus verschiedenen Dimensionen gesammelt wurden, darunter Immunmetabolismus, Elektrophysiologie des Gehirns, Gehirnstruktur und funktionelle neurale Schaltkreise, Neuropsychologie und Psychophysiologie. Unsere abgeschlossenen Studien im Rahmen des National Science and Technology Support Program und des National Key Research and Development (R&D) Program des 12. und 13. Fünfjahresplans in China haben ergeben, dass eine Behandlung, die für bestimmte klinische Subtypen entwickelt wurde, die Behandlungswirkung verbessern kann, und inzwischen die Die Anwendung der auf elektronischen Messungen basierenden Versorgung (e-MBC) in Kombination mit intelligenten mobilen Endgeräten kann den Patienten effektiv ein umfassendes medizinisches Management bieten, die Patienten-Compliance verbessern und die Wirksamkeit der klinischen Diagnose und Behandlung erhöhen. Aufgrund der auf der klinischen Symptomatik basierenden Krankheitsdiagnose ohne Subtypunterscheidung und des Mangels an multiskaligem biologischem Data Mining, multidimensionaler Bewertung und tiefer Integration können die Ergebnisse der meisten früheren Studien jedoch kaum in der klinischen Praxis verwendet werden. Daher besteht ein starker Drang, eine systematische Forschung durchzuführen, bei der eine mehrdimensionale Bewertung klinischer Merkmale und eine umfangreiche Datensammlung und -auswertung erforderlich sind, um eine klinische Diagnose und optimale Behandlungsschemata für Depressionssubtypen zu erstellen. Um dieses Ziel zu erreichen, werden Patienten mit Depressionen unser Forschungsgegenstand in dieser Studie sein. Zunächst werden auf Basis der vorangegangenen Kohortenstudie und des Whole-Course e-MBC die Bewegungs-, Atemfrequenz-, Herzfrequenz- und Schlafdaten der Patienten weiter erhoben. Mithilfe von Technologien der künstlichen Intelligenz (KI) wie Deep Machine Learning werden die in die EEG-Bildgebung integrierten Daten und spezifische immunmetabolische Marker im Blut mit klinischen Merkmalen analysiert. Das Diagnose- und Klassifikationsmodell wird auf der Grundlage einer mehrdimensionalen klinischen Bewertung erstellt und verifiziert. Zweitens werden durch eine prospektive multizentrische randomisierte kontrollierte Studie optimale Behandlungsschemata für verschiedene Depressionssubtypen und individualisierte physikalische Interventionstechnologie mit Magnetstimulation, die von KI navigiert werden, untersucht, um ein Vorhersagemodell für die heilende Wirkung zu erstellen. Schließlich können die langfristige Nachsorge und ihre regelmäßige Datenerfassung auf der Patientendiagnose- und Behandlungsplattform durchgeführt werden, die mit dem e-MBC verbunden ist. Auf diese Weise werden eine stabile klinische Kohorte und eine fortschrittliche Datenbank mit multidimensionalen Informationen über Depressionen aufgebaut. Die gesamte e-MBC-Verwaltungsplattform des Kurses wird optimiert und gefördert, um die Patienten-Compliance, Behandlungseffizienz und Prognose zu verbessern. Diese Studie kann Beweise für eine genaue Diagnose und Klassifizierung von Depressionen und optimale Behandlungsschemata für verschiedene Subtypen liefern.