斯坦福大学(2024USNews美国大学排名:3)医学院领导的一项研究揭示了抑郁症的六种不同类型,为个性化治疗铺平了道路。这项研究结合了功能性磁共振成像(fMRI)和机器学习技术,能够根据抑郁症的“生物类型”预测治疗反应。研究结果发表在《自然医学》杂志上,研究将抑郁症分为六种生物类型,并确定了三种类型的有效治疗方法。研究的高级作者Leanne Williams博士表示,约30%的抑郁症患者对多种药物或疗法无反应,称为治疗抵抗性抑郁症。研究通过fMRI扫描和机器学习分析,识别出六种大脑活动模式,并根据这些模式预测患者对不同治疗的反应。研究还发现,不同生物类型的患者在症状和任务表现上存在差异。Williams博士和她的团队正在扩大研究范围,测试更多种类的治疗方法。
斯坦福大学医学院的科学家通过使用机器学习技术对抑郁症患者的大脑图像进行分组,识别出了六种“生物类型”的抑郁症。抑郁症影响全球3.8%的人口,其中约30%的患者对现有的心理和药物治疗无效。斯坦福大学医学院的研究团队使用了一种名为Stanford Et Cere图像处理系统的标准化图像处理程序,分析了801名抑郁症和焦虑症患者以及137名健康对照者的大脑功能。研究发现,这六种抑郁症生物类型在大脑活动模式、症状、任务表现和治疗反应上存在显著差异。例如,某些生物类型的患者在静息状态下大脑认知区域过度活跃,对文拉法辛的反应较好,而另一类患者在静息状态下大脑注意力控制回路活动较低,对谈话疗法的反应较差。研究团队计划在未来的研究中测试更多的治疗方法,包括非传统的抑郁症药物,并探索将研究成果转化为临床实践的方法。
本研究探讨了利用机器学习(ML)方法结合脑电图(EEG)和临床数据预测抗抑郁药物治疗反应的可行性。研究对象为51名患有重度抑郁症(MDD)的成年人,他们参与了一项为期12周的抗抑郁药物治疗试验。研究收集了治疗前和治疗后一周的EEG数据,并使用蒙哥马利-阿斯伯格抑郁量表(MADRS)评估治疗反应。研究采用了随机森林(Random Forest)等多种ML方法,重点分析了EEG功率、源定位电流密度(通过eLORETA软件)和临床数据(如年龄、性别、MADRS评分)等特征。结果显示,eLORETA特征中,alpha1和theta波段的特征最具预测价值;EEG特征中,theta和alpha2波段的特征最具预测价值;临床数据中,治疗后一周的“注意力困难”评分最具预测价值。综合所有特征的模型预测准确率高达88%。研究表明,ML模型结合治疗前和早期治疗的EEG特征及临床数据,可以作为预测抗抑郁药物治疗反应的工具。这为个性化、基于生物标志物的治疗方法奠定了基础。尽管需要在更大样本中验证,但该研究为未来的精准医疗提供了重要的参考。
本研究旨在通过个性化的大脑回路评分来识别抑郁和焦虑中的临床不同生物类型。研究使用了来自多个研究的标准化功能磁共振成像协议,收集了801名未接受治疗的抑郁和焦虑患者的数据,并在随机分配药物治疗或行为治疗后对250名患者进行了评估。研究从这些患者中得出了基于理论分类法的个性化和可解释的大脑回路功能障碍评分。参与者被细分为六种生物类型,这些生物类型由默认模式、显著性和前顶叶注意回路的内在任务自由功能连接的不同特征,以及情感和认知任务引起的额叶和皮下区域的激活和连接特征定义。这六种生物类型与理论分类法一致,并通过症状、一般和情感认知计算机化测试的行为表现以及对药物治疗和行为治疗的反应来区分。研究结果提供了一种新的、理论驱动的、临床验证的和可解释的定量方法,以解析抑郁和焦虑的生物学异质性,从而为推进精神病学中的精准临床护理提供了有前景的方法。
最近的一项研究揭示了治疗抵抗性抑郁症背后的神经机制。通过记录患者大脑的立体定向脑电图(sEEG)信号,研究团队发现了抑郁症患者在处理情感信息时的特定异常。这项研究发表在《自然心理健康》杂志上,为理解和潜在治疗这一具有挑战性的疾病提供了有希望的步骤。抑郁症是一种常见但严重的心理健康障碍,表现为持续的悲伤、绝望和对日常活动缺乏兴趣或愉悦感。虽然许多抑郁症患者对标准治疗(如药物和心理治疗)反应良好,但仍有相当一部分患者对这些方法没有足够的缓解,这种情况被称为治疗抵抗性抑郁症。研究人员在贝勒医学院进行的这项新研究旨在探索抑郁症患者中观察到的情感处理偏见的神经基础。研究发现,治疗抵抗性抑郁症患者在观看悲伤面孔时杏仁核的反应增强且持续时间更长,而对快乐面孔的反应则减弱。这表明他们对负面情感信息的处理系统过度活跃,而对正面情感刺激的处理能力减弱。研究还发现,治疗抵抗性抑郁症患者在处理快乐面孔时前额叶皮层的α波段功率增加,表明大脑的抑制过程增强。此外,前额叶皮层和杏仁核之间的α波段同步性增强,表明前额叶皮层对杏仁核的抑制作用更强。研究还探讨了深部脑刺激对治疗抵抗性抑郁症患者神经反应的影响。深部脑刺激后,患者对情感刺激的神经反应发生了显著变化,杏仁核对悲伤和快乐面孔的反应增加,前额叶皮层在处理快乐面孔时的α波段功率降低,前额叶皮层和杏仁核之间的α波段同步性减少,使神经活动模式更接近对照组。研究人员希望通过进一步研究,这一信号可能有助于阐明抑郁症的机制,并提出新的潜在治疗方法。
综合来看,斯坦福大学医学院的研究为抑郁症的个性化治疗提供了新的视角和方法。通过结合fMRI和机器学习技术,研究团队能够识别出六种不同的抑郁症生物类型,并根据这些类型预测患者对不同治疗的反应。这一发现不仅为抑郁症的治疗提供了新的方向,也为未来的研究奠定了基础。尽管目前的研究结果需要在更大样本中验证,但这一研究无疑为抑郁症的精准医疗提供了重要的参考。未来,随着更多研究的开展和技术的进步,抑郁症的个性化治疗将变得更加可行和有效。
参考新闻资料:
- Six distinct types of depression identified in Stanford Medicine-led study
- Brain Imaging Identifies Six Subtypes of Depression
- Leveraging Machine Learning Approaches for Predicting Antidepressant Treatment Response Using Electroencephalography (EEG) and Clinical Data
- Personalized brain circuit scores identify clinically distinct biotypes in depression and anxiety
- Researchers identify brain abnormalities in treatment-resistant depression
【独家稿件声明】本文为美国续航教育(Forward Pathway LLC,官网地址:www.forwardpathway.com)原创,未经授权,任何媒体和个人不得全部或者部分转载。如需转载,请与美国续航教育联系;经许可后转载务必请注明出处,违者本网将依法追究。
美国续航教育总部位于美国加利福尼亚州洛杉矶,同时在中国上海和深圳设有续航教育分部。续航教育自2013年成立以来,致力于研究中美之间的文化教育发展与趋势,提供最专业的美国留学一站式服务,获得美国国际招生协会AIRC及国际教育顾问委员会ICEF的双重认证。
觉得有用的话就评价/分享一下吧~