ИИ научился предсказывать, помогут ли антидепрессанты

Исследователи разработали модель машинного обучения, способную предсказывать, поможет ли конкретному человеку с депрессией стандартный антидепрессант — еще до того, как он выпьет первую таблетку. Система анализирует электрическую активность мозга (этот метод называется электроэнцефалографией, или ЭЭГ), чтобы с высокой точностью прогнозировать успех лечения. Результаты указывают: определенные паттерны связей и ритмов мозга могут стать биомаркерами для персонализированной психиатрии. Статья опубликована в Journal of Affective Disorders.

Депрессия — одно из самых тяжелых расстройств: она портит настроение, нарушает мышление и даже влияет на физическое состояние. Стандартное лечение опирается на препараты из группы СИОЗС — селективных ингибиторов обратного захвата серотонина. Серотонин — основной мозговой «гормон счастья» и вещества, с помощью которых нейроны обмениваются сигналами.

Проблема в том, что СИОЗС помогают только примерно половине пациентов; медики же пока не знают, каким именно. Поэтому часто приходится несколько недель наблюдать за изменениями состояния после первого назначения. Если не помогает — назначать новое средство, и снова ждать. Всё это усиливает страдания и увеличивает риск побочных эффектов.

Ганг Ли и Бойи Хуанг из Чжэцзянского педагогического университета решили переломить ситуацию: они искали объективные биомаркеры, которые могли бы заранее показать, поможет ли лекарство. Выбор пал на ЭЭГ — она неинвазивна, фиксирует электрическую активность мозга с высокой точностью и позволяет заметить мельчайшие изменения.

В исследовании участвовали 27 пациентов с депрессией. Им снимали ЭЭГ до начала лечения, затем назначали двухнедельный курс СИОЗС, а эффект оценивали по шкале депрессии Гамильтона. Пациенты, у которых баллы снизились на 50% и больше, считались «ответившими», остальные — «неответившими».

Чтобы анализировать сложные ЭЭГ-данные, авторы задействовали искусственный интеллект. Из сигналов извлекались три ключевые характеристики: относительная мощность (распределение энергии по ритмам мозга — альфа, бета, тета и др.); нечеткая энтропия (насколько сложны и хаотичны сигналы); фазовый индекс задержки (отражает степень взаимодействия между разными областями мозга). Затем применялась модель «опорных векторов» и специальный алгоритм отбора самых «информативных» признаков.

Авторы специально проверяли, сколько времени нужно записывать ЭЭГ для точного результата. Оптимальным оказался фрагмент длиной 12 секунд: этого достаточно для стабильного паттерна и не слишком много, чтобы не запутаться в «шуме» данных.

Модель продемонстрировала впечатляющую точность — 96,83% в основной группе и до 100% на независимой валидации (5 пациентов дополнительной выборки). При этом отличительные биомаркеры у ответивших — выраженная активность в диапазоне Beta2 (характерен для бодрствования и умственной работы) и усиленные долгие связи между далекими участками мозга, особенно во фронтальных отделах, отвечающих за эмоции и «мышление».

У «неответивших» наоборот — преобладали связи в медленном тета-ритме, а в целом их мозг был менее «интегрирован». Это может объяснять, почему одни пациенты не отвечают на СИОЗС.

Ограничения работы — скромная выборка (32 человека в одной больнице) и пока что тестирование только СИОЗС. Нужно больше исследований с людьми из разных регионов и на других препаратах. Довести методику до клинического применения — отдельная задача: врачам нужен простой и наглядный инструмент.

Тем не менее эксперимент делает важный шаг к психиатрии будущего: персональный выбор лекарства на основе мозговой активности, а не «методом тыка». Так можно сэкономить пациенту месяцы лишних страданий и снизить лишние расходы. Авторы работы: Gang Li, Boyi Huang, Yuling Wang, Bin Zhou, Fo Hu, Linbing Wang.