机器学习可以帮助心理健康诊断

使用机器学习的方法来更准确地识别患者的精神病和抑郁症状已经由伯明翰大学的研究人员开发的。

抑郁症或精神病患者很少体验纯粹的一种或另一种疾病的症状。从历史上看,这意味着心理健康临床医生诊断的主要疾病,但次要症状。作出准确的诊断对临床医师是一个巨大的挑战和诊断通常不准确地反映个人经验或者神经生物学的复杂性。

例如,临床医生诊断精神病经常认为抑郁症是次要的疾病,影响治疗决策,更加关注精神病症状(如幻觉或妄想)。

研究所伯明翰大学的一个团队精神卫生和人类大脑健康中心工作人员从PRONIA财团想探索的可能性,使用机器学习来创建高度精确的模型“纯”形式的疾病和使用这些调查一群患者的诊断准确性混合症状。他们的研究结果发表在精神分裂症的公告。

“大多数病人产生并发症,所以患有精神病也有抑郁症状反之亦然,”主要作者解释说巴黎Alexandros Lalousis。”,为医生的诊断提供了一个巨大的挑战,然后交付没有伴随疾病的治疗为病人设计。并不是患者误诊,但目前的诊断类别我们不能准确反映临床和神经生物学的现实。”

研究人员调查问卷反应,详细的临床访谈和数据结构磁共振成像从一群300名患者参加PRONIA研究中,欧洲Union-funded队列研究发生在7个欧洲研究中心(www.pronia.eu)。

在这个群体中,研究人员发现小子组的患者可以归类为痛苦从精神病没有抑郁症的症状,或从抑郁没有任何精神病症状。

使用这些数据,研究小组发现机器学习模型的“纯”抑郁,和“纯”精神病。他们可以使用机器学习的方法将这些模型应用到患者症状的疾病。目的是建立一个高度准确的对每个病人的疾病概要文件和测试,对如何准确诊断。

研究小组发现,抑郁症患者作为主要疾病更容易被诊断准确,病人与精神病与抑郁症症状最常倾向于抑郁维度。这可能表明,抑郁症中扮演更重要的角色比以前想象的疾病。

Lalousis先生补充道:“有一个迫切需要更好的治疗精神病和抑郁,条件构成一个主要全球精神卫生挑战。我们的研究强调了需要临床医生更好地理解这些条件的复杂的神经生物学,以及附带疾病症状的作用;特别是,考虑仔细的作用抑郁症在疾病。”

“在这项研究中,我们展示了如何使用复杂的机器学习算法,考虑到临床,神经认知,和神经生物学因素有助于我们理解心理的复杂性疾病。在未来,我们认为机器学习可以成为准确诊断的重要工具。我们有一个真正的机会来开发数据驱动的诊断的方法在这一领域心理健康是跟上身体健康真的很重要,我们保持这一势头。”

---

---