Prediction of Early Antidepressant Efficacy in Patients with Major Depressive Disorder Based on Multidimensional Features of rs-fMRI and <i>P11</i> Gene DNA Methylation: Prédiction de l’efficacité précoce d’un antidépresseur chez des patients souffrant du trouble dépressif majeur d’après les caractéristiques multidimensionnelles de la méthylation de l’ADN du gène P11 et de la IRMf-rs
Notice bibliographique
Résumé
Objective This study established a machine learning model based on the multidimensional data of resting-state functional activity of the brain and P11 gene DNA methylation to predict the early efficacy of antidepressant treatment in patients with major depressive disorder (MDD). Methods A total of 98 Han Chinese MDD were analysed in this study. Patients were divided into 51 responders and 47 nonresponders according to whether the Hamilton Depression Rating Scale-17 items (HAMD-17) reduction rate was ≥50% after 2 weeks of antidepressant treatment. At baseline, the Illumina HiSeq Platform was used to detect the methylation of 74 CpG sites of the P11 gene in peripheral blood samples. Resting-state functional magnetic resonance imaging (rs-fMRI) scan detected the amplitude of low-frequency fluctuations (ALFF), regional homogeneity (ReHo), and functional connectivity (FC) in 116 brain regions. The least absolute shrinkage and selection operator analysis method was used to perform feature reduction and feature selection. Four typical machine learning methods were used to establish support vector machine (SVM), random forest (RF), Naïve Bayes (NB), and logistic regression (LR) prediction models based on different combinations of functional activity of the brain, P11 gene DNA methylation and clinical/demographic features after screening. Results The SVM model based on ALFF, ReHo, FC, P11 methylation, and clinical/demographic features showed the best performance, with 95.92% predictive accuracy and 0.9967 area under the receiver operating characteristic curve, which was better than RF, NB, and LR models. Conclusion The multidimensional data features combining rs-fMRI, DNA methylation, and clinical/demographic features can predict the early antidepressant efficacy in MDD.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».