Optimering av diagnos och behandling av depression baserat på multidimensionell klinisk bedömningsklassificering

Major depressiv sjukdom (MDD) som kännetecknas av hög prevalens, hög återfallsfrekvens och hög andel funktionshinder är en psykisk sjukdom med den tyngsta bördan och har blivit ett stort folkhälsoproblem i Kina och världen. Stora utmaningar inom diagnostik och behandling av depression består av den komplicerade patogenesen, avsaknad av objektiva diagnoskriterier, otillfredsställande behandlingsresultat och dålig behandlingsföljsamhet. De tidigare studierna av vårt forskarlag visade att depression påverkas av flera faktorer. Vi skulle kunna utforska viktiga markörer för diagnos, behandling och förutsägelse av behandlingseffektivitet i deprimerade patienters data som samlats in från olika dimensioner inklusive immunmetabolism, hjärnans elektrofysiologi, hjärnans struktur och funktionella neurala kretsar, neuropsykologi och psykofysiologi. Våra genomförda studier i National Science and Technology Support Program och National Key Research and Development (FoU)-programmet i den 12:e och 13:e femårsplanen i Kina fann att behandling utformad för specifika kliniska subtyper kan förbättra behandlingseffekten, och under tiden tillämpning av elektronisk mätning baserad vård (e-MBC) i kombination med smarta mobila terminaler kan effektivt tillhandahålla hela kursen medicinsk behandling för patienter, förbättra patientens följsamhet och öka effektiviteten av klinisk diagnos och behandling. Men på grund av sjukdomsdiagnostik baserad på klinisk symtomatologi utan subtypsskillnad och brist på biologisk datautvinning i flera skalor, multidimensionell bedömning och djup integration, kan resultaten från de flesta tidigare studier knappast användas i klinisk praxis. Därför finns det ett starkt behov av att genomföra en systematisk forskning där flerdimensionell utvärdering av kliniska egenskaper och en stor skala av datainsamling och mining behövs för att forma klinisk diagnos och optimala behandlingsregimer för subtyper av depression. För att nå målet kommer patienter med depression att vara vårt forskningsämne i denna studie. Först, på basis av den tidigare kohortstudien och helkursen e-MBC, kommer patienternas data om rörelse, andningsfrekvens, hjärtfrekvens och sömn att samlas in ytterligare. Med hjälp av artificiell intelligens (AI)-teknologi som djup maskininlärning kommer data integrerade med EEG-avbildning och specifika immunometaboliska markörer i blod att analyseras med kliniska egenskaper. Modellen för diagnos och klassificering kommer att fastställas baserat på multidimensionell klinisk bedömning och verifieras. För det andra, genom en prospektiv multicenter randomiserad kontrollerad studie, kommer optimala behandlingsregimer för olika subtyper av depression och individualiserad magnetisk stimuleringsteknik för fysisk intervention som navigeras av AI att utforskas för att etablera en prediktiv modell för botande effekt. Slutligen kan långtidsuppföljning och dess regelbundna datainsamling genomföras på patientdiagnos- och behandlingsplattformen som är kopplad till e-MBC. Således kommer en stabil klinisk kohort och en avancerad databas som innehåller flerdimensionell information om depression att upprättas. Hela kursens e-MBC-hanteringsplattform kommer att optimeras och främjas för att förbättra patientföljsamhet, behandlingseffektivitet och prognos. Denna studie kan ge bevis för exakt diagnos och klassificering av depression och optimala behandlingsregimer för olika subtyper.