Optimalisering av diagnose og behandling av depresjon basert på flerdimensjonal klinisk vurderingsklassifisering

Major depressiv lidelse (MDD) preget av høy prevalens, høy tilbakefallsrate og høy uførhet er en psykisk sykdom med den tyngste byrden og har blitt et stort folkehelseproblem i Kina og verden. Store utfordringer ved diagnostikk og behandling av depresjon består av den kompliserte patogenesen, mangel på objektive diagnosekriterier, utilfredsstillende behandlingsresultater og dårlig behandlingsefterlevelse. De tidligere studiene av vårt forskerteam viste at depresjon påvirkes av flere faktorer. Vi kunne utforske viktige markører for diagnose, behandling og prediksjon av behandlingseffektivitet i data fra deprimerte pasienter samlet inn fra forskjellige dimensjoner, inkludert immunmetabolisme, hjerneelektrofysiologi, hjernestruktur og funksjonelle nevrale kretsløp, nevropsykologi og psykofysiologi. Våre fullførte studier i National Science and Technology Support Program og National Key Research and Development (FoU)-programmet i den 12. og 13. femårsplanen i Kina fant at behandling designet for spesifikke kliniske undertyper kan forbedre behandlingseffekten, og i mellomtiden bruk av elektronisk måling basert omsorg (e-MBC) kombinert med smarte mobile terminaler kan effektivt gi medisinsk behandling i hele kurset for pasienter, forbedre pasientens etterlevelse og øke effektiviteten av klinisk diagnose og behandling. Men på grunn av sykdomsdiagnostikk basert på klinisk symptomatologi uten subtype-skille og mangel på multi-skala biologisk datautvinning, multidimensjonal vurdering og dyp integrasjon, kan resultatene fra de fleste tidligere studier vanskelig brukes i klinisk praksis. Derfor er det en sterk trang til å gjennomføre en systematisk forskning der flerdimensjonal evaluering av kliniske egenskaper og en stor skala av datainnsamling og mining er nødvendig for å danne klinisk diagnose og optimale behandlingsregimer for subtyper av depresjon. For å nå målet vil pasienter med depresjon være vårt forskningsobjekt i denne studien. Først, på grunnlag av den forrige kohortstudien og helkurs e-MBC, vil pasientenes data om bevegelse, respirasjonsfrekvens, hjertefrekvens og søvn bli ytterligere samlet inn. Ved hjelp av kunstig intelligens (AI) teknologi som dyp maskinlæring, vil dataene integrert med EEG-avbildning og spesifikke immunmetabolske markører i blod bli analysert med kliniske egenskaper. Modellen for diagnose og klassifisering vil bli etablert basert på multidimensjonal klinisk vurdering og verifisert. For det andre, gjennom en prospektiv multisenter randomisert kontrollert studie, vil optimale behandlingsregimer for ulike depresjonssubtyper og individualisert magnetisk stimulering fysisk intervensjonsteknologi navigert av AI bli utforsket for å etablere en prediktiv modell for kurativ effekt. Til slutt kan langtidsoppfølging og regelmessig datainnsamling gjennomføres på pasientdiagnose- og behandlingsplattformen som er knyttet til e-MBC. Dermed vil det bli satt opp en stabil klinisk kohort og en avansert database som inneholder flerdimensjonal informasjon om depresjon. Hele kursets e-MBC administrasjonsplattform vil bli optimalisert og promotert for å forbedre pasientens etterlevelse, behandlingseffektivitet og prognose. Denne studien kan gi bevis for presis diagnose og klassifisering av depresjon og optimale behandlingsregimer for ulike undertyper.