Optymalizacja diagnostyki i leczenia depresji na podstawie klasyfikacji wielowymiarowej oceny klinicznej

Duże zaburzenie depresyjne (MDD), charakteryzujące się dużą częstością występowania, wysokim odsetkiem nawrotów i wysokim odsetkiem niesprawności, jest chorobą psychiczną o największym obciążeniu i stało się głównym problemem zdrowia publicznego w Chinach i na świecie. Wielkimi wyzwaniami w diagnostyce i leczeniu depresji jest skomplikowana patogeneza, brak obiektywnych kryteriów diagnostycznych, niezadowalające wyniki leczenia oraz nieprzestrzeganie zaleceń lekarskich. Poprzednie badania naszego zespołu badawczego wykazały, że na depresję wpływa wiele czynników. Moglibyśmy zbadać ważne markery do diagnozowania, leczenia i przewidywania skuteczności leczenia u pacjentów z depresją, zebrane z różnych wymiarów, w tym immunometabolizmu, elektrofizjologii mózgu, struktury mózgu i funkcjonalnych obwodów nerwowych, neuropsychologii i psychofizjologii. Nasze ukończone badania w Narodowym Programie Wspierania Nauki i Technologii oraz Narodowym Programie Kluczowych Badań i Rozwoju (R&D) 12. i 13. Planu Pięcioletniego w Chinach wykazały, że leczenie zaprojektowane dla określonych podtypów klinicznych może poprawić efekt leczenia, a tymczasem Zastosowanie opieki opartej na pomiarach elektronicznych (e-MBC) w połączeniu z inteligentnymi terminalami mobilnymi może skutecznie zapewnić pacjentom kompleksowe zarządzanie medyczne, poprawić przestrzeganie zaleceń przez pacjentów oraz zwiększyć skuteczność diagnozy klinicznej i leczenia. Jednak ze względu na diagnozę choroby opartą na symptomatologii klinicznej bez rozróżnienia na podtypy oraz brak wieloskalowej eksploracji danych biologicznych, wielowymiarowej oceny i głębokiej integracji, wyniki większości dotychczasowych badań trudno wykorzystać w praktyce klinicznej. Istnieje zatem silna potrzeba przeprowadzenia systematycznych badań, w których wielowymiarowa ocena cech klinicznych oraz zbieranie i eksploracja danych na dużą skalę są niezbędne do sformułowania diagnozy klinicznej i optymalnych schematów leczenia podtypów depresji. Aby osiągnąć ten cel, przedmiotem naszych badań w tym badaniu będą pacjenci z depresją. Po pierwsze, na podstawie poprzedniego badania kohortowego i całego kursu e-MBC, dane pacjentów dotyczące ruchu, częstości oddechów, tętna i snu będą dalej gromadzone. Z pomocą technologii sztucznej inteligencji (AI), takiej jak głębokie uczenie maszynowe, dane zintegrowane z obrazowaniem EEG i specyficznymi markerami immunometabolicznymi we krwi zostaną przeanalizowane wraz z charakterystyką kliniczną. Model diagnozy i klasyfikacji zostanie ustalony na podstawie wielowymiarowej oceny klinicznej i zweryfikowany. Po drugie, poprzez prospektywne wieloośrodkowe, randomizowane, kontrolowane badanie, zostaną zbadane optymalne schematy leczenia różnych podtypów depresji i zindywidualizowana technologia interwencji fizycznej stymulacji magnetycznej sterowana przez sztuczną inteligencję, aby ustanowić predykcyjny model efektu leczniczego. Wreszcie długoterminowa obserwacja i regularne gromadzenie danych mogą być przeprowadzane na platformie diagnostyki i leczenia pacjentów, która jest połączona z e-MBC. W ten sposób powstanie stabilna kohorta kliniczna i zaawansowana baza danych zawierająca wielowymiarowe informacje o depresji. Platforma zarządzania całym kursem e-MBC zostanie zoptymalizowana i promowana w celu poprawy współpracy pacjentów, skuteczności leczenia i rokowania. Badanie to może dostarczyć dowodów na precyzyjną diagnozę i klasyfikację depresji oraz optymalne schematy leczenia dla różnych podtypów.