ИИ может помочь врачам персонализировать лечение генерализованного тревожного расстройства
У людей с генерализованным тревожным расстройством (ГТР), состоянием, характеризующимся ежедневным чрезмерным беспокойством, длящимся не менее шести месяцев, наблюдается высокий уровень рецидивов даже после получения лечения. Модели искусственного интеллекта (ИИ) могут помочь врачам определить факторы для прогнозирования долгосрочного выздоровления и лучше персонализировать лечение пациентов, считают исследователи из Penn State.
Исследователи использовали форму ИИ, называемую машинным обучением, для анализа более 80 базовых факторов — от психологических и социодемографических до переменных здоровья и образа жизни — для 126 анонимных лиц с диагнозом ГТР. Данные были получены из продольного исследования Национальных институтов здравоохранения США под названием «Середина жизни в Соединенных Штатах», в котором были отобраны данные о состоянии здоровья жителей континентальной части США в возрасте от 25 до 74 лет, которые были впервые опрошены в 1995–1996 годах. Модели машинного обучения определили 11 переменных, которые кажутся наиболее важными для прогнозирования выздоровления и невыздоровления с точностью до 72% в конце девятилетнего периода.
Результаты своих исследований исследователи опубликовали в мартовском номере журнала Journal of Anxiety Disorders .
«Предыдущие исследования показали очень высокий уровень рецидивов при ГТР, а также ограниченную точность суждений клиницистов при прогнозировании долгосрочных результатов», — сказала Кэндис Бастерфилд, ведущий автор исследования и докторант в Университете штата Пенсильвания. «Это исследование показывает, что модели машинного обучения показывают хорошую точность, чувствительность и специфичность в прогнозировании того, кто выздоровеет, а кто нет от ГТР. Эти предикторы выздоровления могут быть действительно важны для создания основанных на фактических данных персонализированных методов лечения для долгосрочного выздоровления».
Исследователи прогнали базовые переменные через две модели машинного обучения: модель линейной регрессии, которая исследует взаимосвязь между двумя переменными и выстраивает точки данных вдоль почти прямой линии, и нелинейную модель, которая разветвляется как дерево, разделяя и добавляя новые деревья и выстраивая график того, как она самостоятельно исправляет предыдущие ошибки. Модели определили 11 переменных, ключевых для прогнозирования восстановления или невосстановления за девятилетний период, причем линейная модель превзошла нелинейную модель. Модели также определили, насколько важна каждая переменная по сравнению с другими для прогнозирования результатов восстановления.
Исследователи обнаружили, что более высокий уровень образования, более старший возраст, большая поддержка друзей, более высокое соотношение талии к бедрам и более высокий положительный аффект или чувство большей бодрости были наиболее важны для восстановления, в таком порядке. Между тем, подавленное состояние, ежедневная дискриминация, большее количество сеансов со специалистом по психическому здоровью за последние 12 месяцев и большее количество визитов к врачам за последние 12 месяцев оказались наиболее важными для прогнозирования отсутствия восстановления. Исследователи подтвердили выводы модели, сравнив прогнозы машинного обучения с данными MIDUS, обнаружив, что прогнозируемые переменные восстановления отслеживались с 95 участниками, у которых не было симптомов ГТР в конце девятилетнего периода.
По словам исследователей, полученные результаты свидетельствуют о том, что врачи могут использовать ИИ для выявления этих переменных и персонализации лечения пациентов с генерализованным тревожным расстройством, особенно тех, у кого сопутствующие диагнозы.
Почти 50–60 % людей с ГТР имеют сопутствующую депрессию, сказала Мишель Ньюман, старший автор и профессор психологии в Университете штата Пенсильвания. Она объяснила, что персонализированное лечение может быть направлено на эту депрессию, а также лечить тревожность.
«Машинное обучение не только анализирует отдельные предикторы, но и помогает нам понять как вес этих предикторов (насколько они важны для восстановления или отсутствия восстановления), так и то, как эти предикторы взаимодействуют друг с другом, что выходит за рамки того, что может предсказать человек», — сказал Ньюман.
Исследователи отметили, что исследование не смогло определить продолжительность ГТР за девятилетний период, поскольку это хроническое состояние, и периоды, когда симптомы проявляются сильно, приходят и уходят. Однако работа закладывает основу для более индивидуального лечения, заявили они.
«Эта работа помогает нам начать понимать больше способов персонализации лечения для конкретных людей», — сказал Ньюман.