Разработка программного инструмента с использованием искусственного интеллекта, который объединяет клинические, биологические, генетические данные и данные изображений для прогнозирования диагноза и исхода у пациентов с депрессией с целью улучшения прогноза и ограничения затрат на здравоохранение.

Основываясь на надежных данных из литературы, исследователи выдвигают гипотезу о наличии специфических для заболевания нейробиологических основ биполярного и униполярного расстройства, которые могут служить биомаркерами для дифференциальной диагностики. Однако подходы группового сравнения, принятые в психиатрических исследованиях, не позволяют применить новые знания в диагностической рутине.

Как врачи могут предсказать дифференциальный диагноз и ответ на лечение, используя передовые знания, полученные в последнее десятилетие? Как такие обширные знания могут быть полезны и применимы в клинической практике? В этом проекте исследователи предлагают решение этих проблем путем разработки программного инструмента, который объединяет доступные клинические, биологические, генетические данные и данные изображений для прогнозирования диагноза и исхода у новых отдельных пациентов.

Платформа поддержки принятия решений будет использовать искусственный интеллект, в частности методы машинного обучения, которые будут «обучаться» на данных, чтобы предсказывать категорию, к которой относится новое наблюдение. При этом существующие и недавно полученные мультимодальные наборы данных о биполярных и униполярных пациентах будут преобразованы в предикторы для персонализированной диагностики и прогноза пациента.

Проект может оказать большое влияние на психиатрическое сообщество и систему здравоохранения. Выявление прогностических биомаркеров для UD и BD станет важным инструментом на ранних стадиях заболевания, обеспечивая точную диагностику, улучшая прогноз и ограничивая затраты на здравоохранение.

Исследователи наберут 80 пациентов с биполярным расстройством, 80 пациентов с униполярным расстройством и 80 здоровых людей для МРТ-исследования. Клинические, генетические данные и данные о воспалении будут получены от всех субъектов.

Будут получены следующие данные: возраст, пол, количество эпизодов, рецидивы, возраст начала заболевания, пожизненный психоз, знакомство с BD или UD, искушение самоубийством, прием лекарств, баллы по HDRS, шкале депрессии Бека и батарее BACS.

МРТ будет проводиться на сканерах 3,0 Тесла. Данные МРТ будут включать SE EPI DTI, T1-взвешенные 3D MPRAGE и последовательности fMRI в состоянии покоя, а также парадигму сопоставления лиц, которая ранее позволяла определять связь при расстройствах настроения.

Образцы крови будут собраны, а плазма будет извлечена и храниться при -80. Про- и противовоспалительные цитокины будут измеряться с использованием набора цитокинов человека Bioplex 27-plex.

Связанные генетические варианты, рассматриваемые для дифференциальной диагностики, будут оцениваться с использованием Infinium PsychArray-24 BeadChip. Этот экономичный микрочип высокой плотности был разработан в сотрудничестве с Консорциумом психиатрической геномики для крупномасштабных генетических исследований, посвященных психиатрической предрасположенности и рискам.

Актуальность отдельных клинических, генетических, молекулярных и основанных на изображениях признаков в качестве сигнатур биполярного и униполярного расстройства будет оцениваться с учетом передовой литературы и оцениваться на независимом уже существующем наборе данных (30 субъектов в группе). Анализ общей линейной модели с последующим двусторонним t-тестом будет использоваться для определения того, существенно ли каждый параметр различается между группами, при этом исключается вклад возраста, пола, продолжительности болезни и других смешанных факторов.

Алгоритм множественного обучения ядра (MKL) проецирует функции из нескольких источников в многомерное пространство, где три предметные группы будут максимально разделены. Выбранные функции будут использоваться как по отдельности, так и в комбинации. Мешающие эффекты возраста, пола, продолжительности болезни и системы МРТ будут исправлены на этапе обучения алгоритма. Классификатор MKL будет протестирован с использованием k-кратной вложенной стратегии перекрестной проверки с настройкой гиперпараметров. Набор обучающих данных уже доступен и включает около 550 предметов.

Архитектура программного обеспечения будет разработана в среде Matlab путем интеграции методов количественной визуализации, алгоритма машинного обучения и статистического анализа в виде отдельных модулей в удобный интерфейс, что облегчит совместное использование вычислительных ресурсов в клиническом сообществе.