ウェアラブルによるうつ病治療結果のパーソナライズされた予測

Neuroscience News logo for mobile.


概要: ウェアラブルからのデータに基づく新しいマルチタスク モデルの人工知能アルゴリズムは、うつ病患者の治療結果を個別に予測します。

出典:WUSTL

ここ数年、メンタルヘルスの管理がより優先されるようになり、セルフケアがますます重視されるようになりました。 うつ病だけでも、世界中で毎年 3 億人以上が罹患しています。

これを認識して、活動レベル、睡眠、心拍数などのマーカーを測定することにより、一般的なウェアラブル デバイスを活用して個人のメンタルヘルスを監視することに大きな関心が寄せられています。

セントルイスのワシントン大学とイリノイ大学シカゴの研究者チームは、無作為化臨床試験に参加した個人のうつ病治療の結果を予測するために、ウェアラブル デバイスからのデータを使用しました。

彼らは、グループごとに個別のモデルを開発するのではなく、ランダムに選択された治療を受ける患者と治療を受けなかった患者の 2 組の患者からのデータを分析する新しい機械学習モデルを開発しました。

この統合されたマルチタスク モデルは、医師が各患者のニーズに合わせた治療計画を設計し、個人のデータに基づいて結果を予測する個別化医療への一歩です。

調査結果は、インタラクティブ、モデル、ウェアラブル、およびユビキタス技術に関する ACM の議事録に掲載され、9 月の UbiComp 2022 カンファレンスで発表される予定です。

McKelvey School of Engineering の Fullgraf 教授である Chenyang Lu は、博士課程の学生として Lu の研究室で働き、現在は Google のソフトウェア エンジニアである Ruixuan Dai を含むチームを率いていました。 Thomas Kannampallil 氏は、麻酔学の准教授であり、医学部の副最高研究情報責任者であり、McKelvey Engineering のコンピューター科学および工学の准教授です。 Jun Ma, MD, PhD、イリノイ大学シカゴ校 (UIC) の医学教授。 と同僚は、UIC がうつ病と肥満の成人約 100 人を対象に実施したランダム化臨床試験のデータを使用してモデルを開発しました。

「統合行動療法は、費用と時間がかかる可能性があります」と Lu 氏は言います。

「患者が特定説(推定)の治療に反応する可能性があるかどうかについて個人に合わせた予測を行うことができれば、モデルが治療によって状態が改善する可能性が高いが、治療なしでは改善する可能性が低いと予測する場合にのみ、患者は治療を続けることができます. 治療反応のこのようなパーソナライズされた予測は、より的を絞った費用対効果の高い治療を促進します。」

この試験では、患者に Fitbit リストバンドと心理テストが与えられました。 患者の約 3 分の 2 が行動療法を受け、残りの患者は受けませんでした。 両方のグループの患者は、ベースラインで統計的に類似していたため、研究者は、個々のデータに基づいて治療が転帰の改善につながるかどうかを判断するための公平な条件を得ることができました.

行動療法の臨床試験には、そのような介入の費用と期間のために、比較的小さなコホートが含まれることがよくありました。 少数の患者は、通常、より多くのデータでより良いパフォーマンスを発揮する機械学習モデルに課題をもたらしました。

しかし、2 つのグループのデータを組み合わせることで、モデルはより大きなデータセットから学習することができ、治療を受けた人と受けていない人の違いを捉えることができました。 彼らは、彼らのマルチタスクモデルが、各グループを別々に見るモデルよりも、うつ病の結果をよりよく予測することを発見しました.

彼らは、彼らのマルチタスクモデルが、各グループを別々に見るモデルよりも、うつ病の結果をよりよく予測することを発見しました. 画像はパブリックドメインです

「私たちは、無作為化対照試験で介入群と対照群を組み合わせたマルチタスク フレームワークを開拓し、統合モデルを共同でトレーニングして、治療の有無にかかわらず個人の個別化された結果を予測しました」と、コンピューターの博士号を取得した Dai 氏は述べています。 2022 年の科学。

「このモデルは、臨床特性とウェアラブル データを多層アーキテクチャに統合しました。 このアプローチは、研究コホートを機械学習モデルの小さなグループに分割することを回避し、グループ間の動的な知識の伝達を可能にして、介入の有無にかかわらず予測パフォーマンスを最適化します。」

「このデータ駆動型アプローチの意味は、ランダム化された臨床試験を超えて、受けた治療に応じて患者の転帰を個別に予測し、早期に治療コースに沿って行う能力が意味のある臨床ケアの提供にまで及びます。その患者のための治療計画を調整するために、患者と担当医による共有された意思決定を知らせます」と Ma 氏は述べています。

機械学習のアプローチは、ランダム化比較試験から収集されたデータに基づいてパーソナライズされた予測モデルを構築するための有望なツールを提供します。

今後、チームは、体重減少介入研究において、Fitbit リストバンドと体重計を使用した遠隔医療行動介入の新しいランダム化比較試験で、機械学習アプローチを活用することを計画しています。

こちらもご覧ください

これは研究からの脳スキャンを示しています

このニューロテックとうつ病研究ニュースについて

著者: Brandie Jefferson出典: WUSTL連絡先: Brandie Jefferson – WUSTL画像: 画像はパブリック ドメインです

元の研究: オープン アクセス。「無作為化比較試験のためのマルチタスク学習: ウェアラブル データを使用したうつ病の予測に関するケース スタディ」Chenyang Lu らによる。 インタラクティブ モバイル ウェアラブルおよびユビキタス技術に関する ACM 議事録

概要

無作為化比較試験のためのマルチタスク学習: ウェアラブル データを使用したうつ病の予測に関するケース スタディ

無作為化比較試験 (RCT) は、介入群と​​対照群の患者の転帰を比較することにより、新しい治療法の安全性と有効性を研究するために使用されます。 従来、RCT は統計分析に基づいて治療群と対照群の違いを評価していました。

ただし、このような統計分析は一般に、個人レベルでの介入の影響を評価するようには設計されていません。 この論文では、患者がウェアラブルデバイスで縦断的に監視されたうつ病治療介入のパーソナライズされた予測のために、RCT と組み合わせて機械学習モデルを調査します。

マルチタスク学習 (MTL) 問題として RCT から介入グループとコントロール グループの個人レベルの予測を策定し、RCT 用に特別に設計された新しい MTL モデルを提案します。 介入グループと対照グループの別々のモデルをトレーニングする代わりに、提案された MTL モデルは両方のグループでトレーニングされ、トレーニング データセットを効果的に拡大します。

階層モデル アーキテクチャを開発して、さまざまなソースとさまざまな縦断段階の試験からのデータを集約します。これにより、MTL モデルが共通点を活用し、2 つのグループ間の違いを捉えることができます。 統合介入治療を受けるよう無作為に割り付けられた 106 人のうつ病患者を含む RCT で MTL アプローチを評価しました。

私たちが提案したMTLモデルは、予測性能においてシングルタスクモデルと従来のマルチタスクモデルの両方を上回り、RCTで収集されたデータを利用して精密医療の予測モデルを開発する有望なステップを表しています。



Source link