Важливо не тільки для суспільства в цілому, а й для кожного зокрема: Використання машинних даних для класифікації та передбачення результату для окремих пацієнтів

Необхідність біомаркерів при шизофренії

Машинна обробка даних може бути ключем до використання даних групового рівня для складання індивідуальних прогнозів пацієнтів

Незважаючи на багаторічні психіатричні дослідження, постановка діагнозу все ще може бути неоднозначною, прогноз непередбачуваний, а відповідь на лікування невизначена. Особливо це стосується гетерогенних розладів, таких як шизофренія, в основі якого лежить складна взаємодія декількох факторів ризику. Хоуз і Мюррей запропонували інтегровану соціально-розвивально-когнітивну модель шизофренії², що включає генетичні, розвиваючі та соціальні фактори ризику негараздів. Перетворення їх на біомаркери сприятиме профілактиці, ранньому втручанню та ефективній цільовій направленості терапії та ресурсів.

Перетворення факторів ризику на біомаркери сприятиме профілактиці, ранньому втручанню та ефективній цільовій направленості терапії та ресурсів

Мультимодальне машинне навчання може допомогти?

Машинне навчання (МН) - це «наукова дисципліна, яка зосереджується на тому, як комп'ютери вчаться на основі даних»³, будуючи статистичні моделі з великих наборів даних. Ця методика може бути використана для вивчення закономірностей факторів ризику від великої кількості осіб для класифікації або прогнозування результатів на індивідуальному рівні пацієнта.

Об’єднуємо різні джерела інформації задля діагностики і передбачення

Мультимодальне машинне навчання перевершило унімодальні алгоритми, об'єднавши різні джерела даних для моделювання реальних сценаріїв

Лінда Антонуччі (Університет Барі Альдо Моро, Італія) обговорила три шляхи застосування мультимодального МН:

• Діагноз шизофренії неясний - чи можемо ми вирізняти окремих людей в різних групах?
• Сімейний ризик шизофренії – чи можемо ми визначити спільні риси та відмінності між захворюванням та сигнатурами мозку, пов'язаними з ризиком?
• Клінічно високий ризик шизофренії – чи можемо ми передбачити індивідуальний прогностичний результат у часі?

Їхні експерименти показали, що лише когнітивні фактори були найбільш інформативними для класифікації шизофренії, але стратифікація генного середовища модулювала когнітивні показники шизофренії порівняно зі здоровим контролем. Деякі аномалії функціональної зв'язності поділяли пацієнти з шизофренією та здорові брати і сестри, але були докази потенційного сигнатури функціонального зв'язку, специфічного для братів і сестер, що свідчить про наявність компенсаторних нейрофункціональних механізмів, пов'язаних із сімейним ризиком⁴. У осіб з ризиком шизофренії професійне функціонування сильніше визначалося екологічними та клінічними факторами, ніж соціальним функціонуванням. Мультимодальні МН перевершили унімодальні алгоритми, об'єднавши різні джерела даних, що могло б допомогти створити моделі, наближені до реальних сценаріїв для трансляції в клінічну практику.

Персоналізація втручань

Предиктори відповіді на лікування можуть дозволити більш персоналізовані втручання

Мета-аналіз показав, що когнітивний тренінг покращує когнітивну дисфункцію при шизофренії⁵, але результати неоднорідні. Лана Камбейц-Іланкович (Кельнський університет, Німеччина) описала, як їхня група використовувала багатофакторний аналіз шаблонів⁶ для прогнозування реакції на когнітивні тренінги при недавньому психозі, що почався. Вони з'ясували нейромаркери відповіді на лікування, засновані на зміні функціональної зв'язності сенсорної обробки стану спокою, що могло б дозволити більш персоналізовані втручання.

Прогнозування переходу до психозу

Діана Прата (Лісабонський університет, Португалія) завершила сесію, обговоривши свою роботу з прогнозування індивідуального переходу від психічного стану групи ризику до психозу за допомогою даних МН та генетичної, екологічної та структурної магнітно-резонансної томографії. Медіана збалансованих показників точності була в межах 50-66%, що говорить про те, що це ще не ефективний інструмент. Подальшу роботу необхідно проводити з більшими розмірами вибірки і більш однорідними популяціями.