Оптимизация диагностики и лечения депрессии на основе многомерной клинической оценки

Большое депрессивное расстройство (БДР), характеризующееся высокой распространенностью, высокой частотой рецидивов и высоким уровнем инвалидности, представляет собой психическое заболевание с самым тяжелым бременем и стало серьезной проблемой общественного здравоохранения в Китае и во всем мире. Большие трудности в диагностике и лечении депрессии заключаются в сложном патогенезе, отсутствии объективных диагностических критериев, неудовлетворительных результатах лечения и несоблюдении режима лечения. Предыдущие исследования нашей исследовательской группы показали, что на депрессию влияет множество факторов. Мы могли бы изучить важные маркеры для диагностики, лечения и прогнозирования эффективности лечения у пациентов с депрессией, данные, собранные из различных аспектов, включая иммунометаболизм, электрофизиологию мозга, структуру мозга и функциональные нейронные цепи, нейропсихологию и психофизиологию. Наши завершенные исследования в рамках Национальной программы поддержки науки и техники и Национальной ключевой программы исследований и разработок (НИОКР) 12-й и 13-й пятилеток в Китае показали, что лечение, разработанное для конкретных клинических подтипов, может улучшить эффект лечения, и между тем, Применение медицинской помощи на основе электронных измерений (e-MBC) в сочетании с интеллектуальными мобильными терминалами может эффективно обеспечить полный курс лечения пациентов, улучшить соблюдение пациентом режима лечения и повысить эффективность клинической диагностики и лечения. Однако из-за диагноза заболевания, основанного на клинической симптоматике без разделения на подтипы и отсутствия многомасштабного анализа биологических данных, многомерной оценки и глубокой интеграции, результаты большинства предыдущих исследований вряд ли могут быть использованы в клинической практике. Поэтому существует настоятельная потребность в проведении систематических исследований, в которых необходимы многомерная оценка клинических характеристик и большой объем сбора и анализа данных для формирования клинического диагноза и оптимальных схем лечения подтипов депрессии. Для достижения цели пациенты с депрессией будут нашим объектом исследования в этом исследовании. Во-первых, на основе предыдущего когортного исследования и полного курса e-MBC будут дополнительно собираться данные пациентов о движениях, частоте дыхания, частоте сердечных сокращений и сне. С помощью технологии искусственного интеллекта (ИИ), такой как глубокое машинное обучение, данные, интегрированные с визуализацией ЭЭГ и специфическими иммунометаболическими маркерами в крови, будут проанализированы с клиническими характеристиками. Модель диагностики и классификации будет установлена ​​на основе многомерной клинической оценки и проверена. Во-вторых, в рамках проспективного многоцентрового рандомизированного контролируемого исследования будут изучены оптимальные схемы лечения различных подтипов депрессии и индивидуализированная технология физического вмешательства с магнитной стимуляцией, управляемая ИИ, чтобы создать прогностическую модель лечебного эффекта. Наконец, долгосрочное наблюдение и его регулярный сбор данных могут быть завершены на платформе диагностики и лечения пациентов, которая связана с e-MBC. Таким образом, будет создана стабильная клиническая когорта и расширенная база данных, содержащая многомерную информацию о депрессии. Вся платформа управления курсом e-MBC будет оптимизирована и продвигаться для улучшения соблюдения пациентами режима лечения, эффективности лечения и прогноза. Это исследование может предоставить доказательства для точной диагностики и классификации депрессии и оптимальных схем лечения для различных подтипов.