Epilepsziát és depressziót jelző modell
Fejlett gépi tanulási modell megjósolja az epilepszia és a depresszió kialakulását.
A BMJ Neurology Open-ben június 19-én online megjelent nagy esetszámú retrospektív tanulmányban fejlett gépi tanulási (ML) modellek azonosították azokat a demográfiai, társadalmi-gazdasági és klinikai előrejelző tényezőket, amelyek alapján előre jelezhető az epilepszia későbbi kialakulása depressziós betegeknél (PWD, patients with depression), illetve a depresszió későbbi kialakulása epilepsziás betegeknél (PWE, patients with epilepsy).
A kutatók a retrospektív megfigyeléses kohorsz vizsgálat során hét európai ország (Dánia, Franciaország, Németország, Olaszország, Spanyolország, Svédország és az Egyesült Királyság) 18 adatforrásából származó, betegszintű longitudinális adatokat elemeztek.
A felügyelt gépi tanulási modelleket országonként külön-külön tanították be, demográfiai adatok, társadalmi-gazdasági státusz mutatók, klinikai anamnézis, a Charlson-komorbiditási index (CCI) pontszáma, valamint az egészségügyi szolgáltatások igénybevételére vonatkozó jellemzők felhasználásával.
Az elemzés két különálló kohorszt értékelt, amelyek összesen körülbelül 2,2 millió epilepsziás beteget és 9,7 millió depressziós beteget foglaltak magukban.
Shapley-féle additív magyarázatokat alkalmaztak a betegség jövőbeli kialakulásának legfontosabb prediktív jellemzőinek azonosítására és rangsorolására egy 365 napos előrejelzési ablakon belül.
A modell teljesítményét a vevő működési jellemző görbe alatti terület (AUROC) és a pontosság–visszahívás görbe alatti relatív terület (rAUPRC) segítségével értékelték.
A modellek a legjobb teljesítményt az Egyesült Királyságból származó adatok felhasználásával érték el a PWE-knél a depresszió előrejelzésében (AUROC: 80%; rAUPRC: 6) és a PWD-knél az epilepszia előrejelzésében (AUROC: 78%; rAUPRC: 15), amelyet Dánia és Svédország követett.
A PWE-knél a depresszió kialakulásának előrejelzői a női nem, a felnőtt kor (20 év felett), az alacsony társadalmi-gazdasági státusz, az alkoholfogyasztás előzménye, valamint a szorongáscsökkentők, antipszichotikumok vagy migrénellenes szerek felírása voltak.
A PWD-knél az epilepszia kialakulásának előrejelzői a férfi nem, az alacsony társadalmi-gazdasági státusz, az alkoholfogyasztás, a magasabb CCI-pontszám és az antithrombotikus szerek alkalmazása voltak.
Az egészségügyi erőforrások fokozott igénybevétele – beleértve a gyakori orvosi viziteket és a gyógyszerfelírásokat – mindkét betegcsoport esetében következetesen előre jelezte a jövőbeli komorbiditás kialakulását.
„Az epilepsziában szenvedő betegek körében a depresszió, valamint a PWD-ben szenvedő betegek körében az epilepszia kialakulásának közös előrejelzői – ideértve a nemet, az alacsony SES-t [társadalmi-gazdasági státuszt], a magas pszichiátriai multimorbiditási terhet és az egészségügyi szolgáltatások kiterjedt igénybevételét – rávilágítanak egy olyan multidiszciplináris ellátási modell szükségességére, amely ezeket az átfedő kockázati tényezőket kezeli” – írták a szerzők.
„Ezek a [gépi tanuláson alapuló] eszközök segíthetnek az orvosoknak a magas kockázatú egyének azonosításában, és lehetővé tehetik a megelőzés fokozására, a prognózis javítására és a betegek életminőségének javítására irányuló, időbeni beavatkozásokat” – tették hozzá.
A tanulmányt Alessandro Ruggieri vezette (Angelini Pharma SpA, Róma, Olaszország). A tanulmány 2026. június 19-én jelent meg online a BMJ Neurology Open folyóiratban.
A tanulmányt korlátozta retrospektív és megfigyeléses jellege, az országok közötti elektronikus egészségügyi nyilvántartási adatok heterogenitása, a vénykibocsátási adatforrások közötti eltérések, az olyan változók – mint például a társadalmi-gazdasági státusz – nem egységes rögzítése, valamint egyes országokban a kis mintanagyság. További korlátozó tényezők voltak a több indikációjú gyógyszercsoportok esetében a diagnózis időpontjának megállapításához használt kezelési helyettesítő mutatókra való támaszkodás, az adatbázis-panel lefedettségéből adódó hiányos betegelőzmények, a klinikai és gyógyszertári nyilvántartások közötti adatkapcsolat hiánya, valamint az egymással nem összeegyeztethető nemzetközi betegségkódolási rendszerek.
A tanulmányt az Angelini Pharma SpA finanszírozta. Több szerző is közölte, hogy az Angelini Pharma SpA vagy az IQVIA alkalmazottja, egyéb összeférhetetlenségről nem számoltak be.
Forrás:
Ruggieri A, Leach JP, Alvarez-Baron E, et al. AI-driven European Retrospective Database Study to predict disease onset in patients with epilepsy and depression. BMJ Neurology Open. 2026;8:e001525. https://doi.org/10.1136/bmjno-2025-001525
