Challenges and Future Prospects of Precision Medicine in Psychiatry
Notice bibliographique
Résumé
Mirko Manchia,1– 3,* Claudia Pisanu,4,* Alessio Squassina,4,5 Bernardo Carpiniello1,2 1Section of Psychiatry, Department of Medical Sciences and Public Health, University of Cagliari, Cagliari, Italy; 2Unit of Clinical Psychiatry, University Hospital Agency of Cagliari, Cagliari, Italy; 3Department of Pharmacology, Dalhousie University, Halifax, NS, Canada; 4Department of Biomedical Sciences, Section of Neuroscience and Clinical Pharmacology, University of Cagliari, Cagliari, Italy; 5Department of Psychiatry, Dalhousie University, Halifax, NS, Canada*These authors contributed equally to this workCorrespondence: Alessio Squassina\nEmail squassina@unica.itAbstract: Precision medicine is increasingly recognized as a promising approach to improve disease treatment, taking into consideration the individual clinical and biological characteristics shared by specific subgroups of patients. In specific fields such as oncology and hematology, precision medicine has already started to be implemented in the clinical setting and molecular testing is routinely used to select treatments with higher efficacy and reduced adverse effects. The application of precision medicine in psychiatry is still in its early phases. However, there are already examples of predictive models based on clinical data or combinations of clinical, neuroimaging and biological data. While the power of single clinical predictors would remain inadequate if analyzed only with traditional statistical approaches, these predictors are now increasingly used to impute machine learning models that can have adequate accuracy even in the presence of relatively small sample size. These models have started to be applied to disentangle relevant clinical questions that could lead to a more effective management of psychiatric disorders, such as prediction of response to the mood stabilizer lithium, resistance to antidepressants in major depressive disorder or stratification of the risk and outcome prediction in schizophrenia. In this narrative review, we summarized the most important findings in precision medicine in psychiatry based on studies that constructed machine learning models using clinical, neuroimaging and/or biological data. Limitations and barriers to the implementation of precision psychiatry in the clinical setting, as well as possible solutions and future perspectives, will be presented.Keywords: machine learning, pharmacogenomics, predictive models, risk stratification, personalized therapy
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 | 0,098 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,022 |
| Communication savante | 0,011 | 0,024 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,017 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 ».