За последние несколько лет управление своим психическим здоровьем стало более приоритетным с повышенным вниманием к заботе о себе. Одна только депрессия затрагивает более 300 миллионов человек во всем мире ежегодно. Признавая это, существует значительный интерес к использованию популярных носимых устройств для мониторинга психического здоровья человека путем измерения таких маркеров, как уровни активности, сон и частота сердечных сокращений.

Группа исследователей из Вашингтонского университета в Сент-Луисе и Иллинойского университета в Чикаго использовала данные с носимых устройств для прогнозирования результатов лечения депрессии у людей, принимавших участие в рандомизированном клиническом исследовании. Они разработали новую модель машинного обучения, которая анализирует данные двух групп пациентов: случайно выбранные для лечения и не получавшие лечения -; вместо разработки отдельной модели для каждой группы. Эта унифицированная многозадачная модель является шагом к персонализированной медицине, в которой врачи разрабатывают план лечения, учитывающий потребности каждого пациента, и прогнозируют результат на основе индивидуальных данных.

Результаты исследования опубликованы в Proceedings of ACM on Interactive, Model, Wearable and Ubiquitous Technologies и будут представлены на конференции UbiComp 2022 в сентябре.

Dr. Mercola, ферментированный черный чеснок, 60 капсул

Ченьянг Лу, профессор Фуллграф инженерной школы Маккелви, руководил командой, в которую входили Руиксуан Дай, который работал в лаборатории Лу в качестве докторанта, а сейчас работает инженером-программистом в Google; Томас Каннампаллил, адъюнкт-профессор анестезиологии и заместитель главного сотрудника по исследовательской информации в Медицинской школе и адъюнкт-профессор информатики и инженерии в McKelvey Engineering; и Джун Ма, доктор медицинских наук, профессор медицины Иллинойского университета в Чикаго (UIC); и коллегами разработать модель с использованием данных рандомизированного клинического исследования, проведенного UIC с участием около 100 взрослых с депрессией и ожирением.

«Интегрированная поведенческая терапия может быть дорогостоящей и занимать много времени», — сказал Лу. «Если мы можем делать персонализированные прогнозы для отдельных лиц относительно того, будет ли пациент реагировать на конкретное лечение, то пациенты могут продолжать лечение только в том случае, если модель предсказывает, что их состояние, вероятно, улучшится при лечении, но менее вероятно, что без лечения. персонализированные прогнозы ответа на лечение будут способствовать более целенаправленной и экономически эффективной терапии».

В ходе испытания пациентам выдавали браслеты Fitbit и проводили психологическое тестирование. Около двух третей пациентов получали поведенческую терапию, а остальные — нет. Пациенты в обеих группах были статистически схожи на исходном уровне, что дало исследователям равные возможности, чтобы определить, приведет ли лечение к улучшению результатов на основе индивидуальных данных.

Клинические испытания поведенческой терапии часто включали относительно небольшие когорты из-за стоимости и продолжительности таких вмешательств. Небольшое количество пациентов создало проблему для модели машинного обучения, которая обычно работает лучше с большим количеством данных. Однако, объединив данные двух групп, модель смогла извлечь уроки из большего набора данных, в котором были зафиксированы различия между теми, кто прошел лечение, и теми, кто его не проходил. Они обнаружили, что их многозадачная модель предсказывала исходы депрессии лучше, чем модель, рассматривающая каждую из групп по отдельности.

«Мы первыми разработали многозадачную структуру, которая объединяет группу вмешательства и контрольную группу в рандомизированном контрольном испытании, чтобы совместно обучить унифицированную модель для прогнозирования персонализированных результатов человека с лечением и без него», — сказал Дай, получивший докторскую степень в области компьютерных технологий. науки в 2022 году. «Модель объединила клинические характеристики и данные носимых устройств в многоуровневую архитектуру. Такой подход позволяет избежать разделения когорт исследования на более мелкие группы для моделей машинного обучения и обеспечивает динамическую передачу знаний между группами для оптимизации производительности прогнозирования как для, так и для без вмешательства».

Последствия этого подхода, основанного на данных, выходят за рамки рандомизированных клинических испытаний и реализуются в оказании клинической помощи, где возможность персонализированного прогнозирования результатов лечения пациентов в зависимости от полученного лечения, причем на ранней стадии и в ходе курса лечения, могла бы дать содержательную информацию. совместное принятие решений пациентом и лечащим врачом, чтобы адаптировать план лечения для этого пациента».  

Джун Ма, доктор медицинских наук, профессор медицины, Иллинойсский университет в Чикаго

Подход машинного обучения предоставляет многообещающий инструмент для создания персонализированных прогностических моделей на основе данных, собранных в ходе рандомизированных контролируемых испытаний. В дальнейшем команда планирует использовать подход машинного обучения в новом рандомизированном контролируемом исследовании поведенческих вмешательств с помощью телемедицины с использованием браслетов Fitbit и весов среди пациентов в исследовании вмешательства по снижению веса.