个性化与这套可预测抑郁的治疗结果

在过去的几年中,管理一个人的心理健康已经成为更多的优先级,以增加强调自我保健。抑郁症影响全世界超过3亿人每年。认识到这一点,有重大的利益利用流行的可穿戴设备来监视一个人的心理健康通过测量标记如活动水平、睡眠和心率。

圣路易斯华盛顿大学的研究小组和伊利诺斯州芝加哥大学的使用可穿戴设备的数据来预测结果治疗抑郁症的人参加了一个随机临床试验。他们开发了一个小说机器学习模型分析数据从两组患者随机接受治疗和那些没有接受治疗,而不是为每个小组发展中一个单独的模型。这个统一的多任务模型是一个一步个性化医学的医生设计治疗计划具体到每个病人的需求和预测结果基于一个人的数据。

研究的结果发表在诉讼ACM的交互式、模型、可穿戴和无处不在的技术将会在2022年主要会议9月。

Chenyang Lu, Fullgraf麦凯维工程学院教授领导的一个团队包括Ruixuan戴,曾在陆的实验室作为一个博士生,现在谷歌软件工程师;托马斯Kannampallil、麻醉学副教授、副首席研究信息学院的医学和计算机科学与工程专业副教授麦凯维工程;马骏,医学博士,博士,伊利诺斯州芝加哥大学的医学教授(UIC);和他的同事们开发模型使用的数据进行了一项随机临床试验UIC约有100成年人与抑郁症和肥胖症。

“综合行为疗法可以昂贵和耗时的,”陆说。“如果我们可以让个人个性化的预测很可能一个病人是否会对一个特定的治疗,患者继续治疗只有当模型预测他们的条件可能会改善治疗但不太可能没有治疗。这种个性化的预测治疗反应将促进更有针对性和有效的治疗。”

试验中,患者Fitbit腕带和心理测试。大约有三分之二的病人行为疗法没有,剩下的病人。患者在基线两组在统计学上类似,这给研究人员一个公平竞争的环境,辨别治疗是否会导致改善结果基于个人数据。

行为治疗的临床试验通常涉及相对较小的群体由于这类干预措施的成本和时间。少数病人对机器学习模型,创建了一个挑战通常执行更好的更多的数据。然而,通过结合两组的数据,模型可以从一个更大的数据集,这吸引了那些接受治疗的差异和那些没有。他们发现他们的多任务模型预测抑郁的结果比模型观察每一个单独的组。

“我们开创了一个多任务框架,它结合了干预组和对照组在随机对照试验中,共同培养一个统一的模型来预测个体的个性化的结果,如果不治疗,”戴说,他在2022年获得了计算机科学博士学位。“模型集成的临床特征和可穿戴的多层体系结构中的数据。这种方法避免了分裂为机器学习模型研究人群分成更小的组,使团体之间的动态知识转移优化预测性能与和没有干预。”

“数据驱动方法的影响超越随机临床试验在临床护理交付,实现个性化的预测能力的病人预后取决于治疗,这样做早期和疗程,能有效地通知共同决策和病人的治疗医生为了调整病人的治疗计划,“马说。

机器学习方法提供了一个有前途的工具来构建个性化预测模型根据收集的数据来自随机对照试验。展望未来,该小组计划利用机器学习方法在一个新的随机对照试验远程健康行为干预的患者中使用Fitbit腕带和体重秤体重干预研究。