Mesterséges intelligencia a súlyos depresszió kezelésében

A Translational Psychiatry folyóiratban január 11-én jelent meg a National University of Singapore kutatóinak cikke, amelyben azt vizsgálták, hogy a funkcionális közeli infravörös spektroszkópia (fNIRS) és a gépi tanulás kombinációjának segítségével meg lehet-e jósolni, hogy a súlyos depresszióban (MDD; major depressive disorder) szenvedő betegek hogyan fognak reagálni az egyes kezelésekre - és sikerült pontosan meghatározniuk néhány, az fNIRS segítségével látható biomarkert, amelyek alapján jó eséllyel megjósolható az adott terápia sikere.

A súlyos depressziós zavar (MDD) egy rokkantosító hatású mentális egészségi állapot, amelyet tartós rossz hangulat, a mindennapi tevékenységek iránti érdeklődés elvesztése, étvágyzavarok, alvászavarok, szélsőséges esetekben pedig szuicid gondolatok jellemeznek. Világszerte emberek milliói éltek át életük során depressziós epizódot, és fordultak kezelésért pszichiáterekhez. Jelenleg számos terápiás módszer létezik a depresszió kezelésére, beleértve a különböző típusú gyógyszereket és pszichoterápiákat, valamint a mindkettőt kombináló célzott beavatkozásokat. Bár a tanulmányok azt sugallják, hogy e kezelések közül egyesek hatékonyabbak lehetnek másoknál, minden beteg másként reagál a rendelkezésre álló kezelésekre. Ezért az adott beteg számára legjobban működő gyógyszeres kezelés és terápia megtalálása időbe telhet, ami néha hosszas próbálkozással és tévedésekkel járhat. Az egyes betegek számára optimálisnak bizonyuló kezelés korai azonosítására szolgáló hatékony stratégiák kidolgozása tehát rendkívül előnyös lehet, mivel anélkül segíthetné a betegek gyorsabb felépülését, hogy különböző, számukra nem hatékony gyógyszereket kellene kipróbálniuk.

“A depresszió kezelésére adott válaszok egyénenként nagyon eltérőek” - írták Cyrus Su Hui Ho, Jinyuan Wang és munkatársaik a most közölt tanulmányban. “A terápiás eredményekre vonatkozó prediktív, objektív biomarkerek meghatározása fokozhatja a kezelés hatékonyságát és segítségükkel elkerülhetjük a később hatástalannak bizonyuló terápiák alkalmazását. Ez a tanulmány azt vizsgálta, hogy az fNIRS és a klinikai értékelési információk gépi tanuláson (machine learning) alapuló technikák segítségével előre jelezhető-e a kezelési választ MDD-ben.”

Annak feltárására, hogy az fNIRS és a klinikai adatok milyen lehetőségeket rejtenek a depresszió eltérő kezelési módszereinek várható hatásosságára vonatkozóan, a kutatók egy hat hónapos időszakon átívelő longitudinális vizsgálatot végeztek. A tanulmány 70 súlyos depresszióval diagnosztizált beteg kezelésre adott válaszait vizsgálta, amelyeket a depresszió diagnosztizálását segítő kérdőív, a Hamilton Depression Rating Scale (HAM-D) segítségével számszerűsítettek. Az fNIRS és a klinikai információk értékelését egymásba ágyazott kereszt-validálással végezték, hogy megjósolják a kezelésre válaszoló és nem válaszoló betegeket gépi tanulási modellek alapján.

Ezek az elemzések egy olyan biomarkerre hívták fel a figyelmet, amely asszociációt mutatott azzal, hogy a betegek hogyan reagáltak a kezelésekre: a hemoglobin-koncentrációját a dorsolaterális prefrontális kéregben (dlPFC), egy olyan agyi régióban, amely részt vesz a végrehajtó funkciókban (azaz a kognitív rugalmasságban, a munkamemóriában és a döntéshozatalban).

Az összhemoglobin-szintnek (HbT) egy adott feladat végrehajtása során bekövetkezett változása (amit a feladat előtti és a feladat utáni átlagos HbT-koncentráció különbségeként határoztak meg) a dlPFC-ben, szignifikánsan korrelált a kezelésre adott válasszal (p < 0,005).

A tanulmány eredményei rávilágítanak a gépi tanulásban rejlő lehetőségekre, mint olyan eszközre, hasznos lehet a mentális zavarok különböző terápiás módszereire való reagálással kapcsolatos tényezők feltárásában. A jövőben ez a munka más kutatókat is inspirálhat arra, hogy a gépi tanulást a klinikai és fNIRS-adatok elemzésére használják, és segítségül szolgálhat olyan új protokollok kifejlesztéséhez is, amelyek célja az MDD-vel diagnosztizált betegek számára az optimális terápiás beavatkozások gyors azonosítása.

Írásunk az alábbi közlemények alapján készült:

Using machine learning to predict how people diagnosed with major depressive disorder respond to treatment

Application of functional near-infrared spectroscopy and machine learning to predict treatment response after six months in major depressive disorder

Irodalmi hivatkozás:

Su Hui Ho et al, Application of functional near-infrared spectroscopy and machine learning to predict treatment response after six months in major depressive disorder, Translational Psychiatry (2025). DOI: 10.1038/s41398-025-03224-7