研究人员发现了一种神经信号，可以预测患有抑郁症的人是否可能会从舍曲林(一种常用的抗抑郁药)中受益。研究结果发表在《自然生物技术》上，表明新的机器学习技术可以识别人脑活动中与有意义的临床结果相关的复杂模式。该研究由美国国立卫生研究院(National Institutes of Health)的国家精神卫生研究所(NIMH)资助。

“当今，精神病学非常需要能够为治疗提供信息并超越我们诊断系统某些局限性的客观测试。我们的发现令人兴奋，因为它们反映了朝着这一临床目标取得的进展，并且还显示了带来复杂的精神病学数据分析方法。”资深作者Amit Etkin博士解释说。是斯坦福大学精神病学和行为科学教授，也是加利福尼亚洛斯阿尔托斯市Alto Neuroscience的首席执行官。

重度抑郁是最常见的精神障碍之一，2017年影响了约7%的成年人，但所经历的症状因人而异。尽管有些人可能会经历许多特征，包括持续的悲伤情绪，绝望感，愉悦感和精力下降，但其他人可能只会经历一些。有几种基于证据的治疗抑郁症的方法，但是确定哪种治疗方法最适合特定的人可能是一个反复试验的问题。

先前的研究表明，通过静息状态脑电图(EEG)来测量大脑活动的特定组成部分，可以深入了解人们对某些疗法的反应。但是，研究人员尚未开发出可以区分抗抑郁药反应和安慰剂反应的预测模型，也可以预测单个患者的预后。这两个功能对于神经签名具有临床相关性都是必不可少的。

埃特金(Etkin)，共同作者，达拉斯的得克萨斯大学西南医学中心精神病学教授，医学博士Madhukar H. Trivedi以及加利福尼亚斯坦福大学的讲师魏武博士都是第一作者。从神经科学，临床科学和生物工程学来构建高级预测模型。研究人员开发了一种专门用于分析EEG数据的新型机器学习算法，称为SELSER(稀疏EEG潜伏SpacE回归)。他们假设该算法可能能够识别出抗抑郁治疗反应的可靠可靠的神经信号。

研究人员使用SELSER分析了NIMH资助的临床护理抗抑郁反应的建立主持人和生物特征(EMBARC)研究的数据，该研究是抗抑郁药物舍曲林(一种广泛使用的选择性5-羟色胺再摄取抑制剂(SSRI))的大型随机临床试验。作为研究的一部分，抑郁症参与者被随机分配接受舍曲林或安慰剂治疗八周。研究人员将SELSER应用于参与者的治疗前脑电图数据，检查机器学习技术是否可以产生预测参与者治疗后抑郁症状的模型。

SELSER能够根据参与者睁开眼睛时记录的一种特定类型的大脑信号(称为alpha波)可靠地预测患者对舍曲林的反应。这种基于EEG的模型优于使用EEG数据或其他类型的个人级别数据(例如症状严重性和人口统计学特征)的常规模型。使用几种补充方法对独立数据集进行的分析表明，SELSER所做的预测可能会扩展到舍曲林反应以外的更广泛的临床结果。

在一个独立的数据集中，研究人员发现，基于EEG的SELSER模型与那些对两种或更多种药物没有反应的受试者相比，对至少一种抗抑郁药显示部分反应的受试者预示了更大的改善临床结果。另一个独立的数据集显示，SELSER预测的受试者对舍曲林的改善几乎没有改善，他们更有可能对涉及一种称为经颅磁刺激(结合心理疗法)的特定类型的非侵入性脑刺激的治疗产生反应。

现在正在开展工作，以进一步在大型独立样本中复制这些发现，以确定SELSER作为诊断工具的价值。根据Etkin，Trivedi，Wu和同事的说法，本研究强调了机器学习在推进个性化抑郁症治疗方法方面的潜力。

“虽然在我们的研究结果准备用于常规临床用途之前还需要做很多工作，但是脑电图是一种低成本且易于使用的工具，这一事实使得在短期内从研究到临床实践的转化更加可能。我希望我们的研究结果能成为我们的一部分机器学习和客观测试的影响这一领域的转折点。” Etkin总结说。