Machine Learning Predicts Treatment Response in Bipolar & Major Depressive Disorders
Notice bibliographique
Résumé
Abstract Diagnosis of bipolar disorder (BD) patients with complex symptoms presents a challenge to clinicians. Patients tend to spend more time in a depressive state than a manic state. In such complex cases, the current Diagnostic and Statistical Manual (DSM), which is not based on pathophysiology, can lead to misdiagnosis as major depressive disorder (MDD) and an imperfect or even harmful medication response. A biologically-based classification algorithm is needed to improve the accuracy of diagnosis. Osuch et al. (2018) presented a kernel support vector machine (SVM) algorithm to predict the medication-class of response from new patient samples whose diagnoses were unclear. Here we also utilize the kernel support vector machine (SVM) algorithm but with a few novel contributions. We applied the robust, fully automated neuromark independent component analysis (ICA) framework to extract comparable features in a multi-dataset setting and learn a kernel function for support vector machine (SVM) on multiple feature subspaces. The neuromark framework successfully replicates the prior result with 95.45% accuracy (sensitivity 90.24%, specificity 92.3%). To further evaluate the generalizability of our approach, we incorporated two additional datasets comprising bipolar disorder (BD) and major depressive disorder (MDD) patients. We validated the trained algorithm on these datasets, resulting in a testing accuracy of up to 89% (sensitivity 0.88, specificity 0.89) without using site or scanner harmonization techniques. We also translated the model to predict improvement scores of major depressive disorder (MDD) with up to 70% accuracy. This approach reveals some salient biological markers of medication-class of response within mood disorders. Highlights We demonstrate a DSM-free approach for predicting treatment response from resting-state functional magnetic resonance imaging (fMRI) data. We identify several replicable biomarkers using the approach. Our work has potential for clinical application by replacing trial-and-error in treating complex psychiatric disorders.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».