基于人工智能的工具在早期阶段检测双相情感障碍

许多患有早期或首发双相情感障碍的人都有认知缺陷，比如视觉处理和空间记忆方面的问题，但这些缺陷往往非常细微，以至于这种障碍可能多年都没有被诊断出来。由于阿尔伯塔大学(University of Alberta)的研究人员创造了一种机器学习模型，帮助识别这些细微的缺陷，以便更早地进行干预，这种情况可能会改变。

这项研究是由Jeffrey Sawalha领导的，他是a大学计算精神病学研究组的博士生。

早期诊断对患有双相情感障碍因为这可以让精神病医生在症状恶化之前尽早对他们进行治疗。证据表明，患者在早期阶段对锂治疗的反应更强烈。

“如果你能用。认知测试而机器学习能检测到微妙的形式，防止发展或出现躁狂发作，这是关键。我们显然不能预防所有的病例，但它可能对某些人是巨大的好处，”精神病学系助理教授、计算精神病学小组成员曹波说，该小组还包括Russ Greiner和Andrew Greenshaw。他们三人都是神经科学和精神健康研究所的成员。

这个团体训练了它的机器学习模型通过比较慢性双相情感障碍患者和健康对照个体，证明了这一点模型可以区分首发双相情感障碍患者与健康对照，准确率为76%。由此产生的工具可以检查认知缺陷的早期标记，然后可以用于双相情感障碍的早期检测。

一种更简单、更容易获取的数据收集方式

美国大学的研究人员与中国的合作者合作，他们收集了机器学习模型中使用的数据。这些数据是通过针对认知功能的测试获得的。在这项研究中，患者是在监督下完成测试的，但大多数测试都可以通过虚拟平板电脑完成。

这与。形成了鲜明的对比当前实践获取信息的途径机器比如核磁共振成像，它可以提供大脑结构的图像。研究人员称，通过机器学习分析一个简单的认知测试可以得到同样有价值的数据。

“如果我们能得到相同的信息便士和数百美元,立即与三个星期从现在开始,在一个轻松的环境和紧张的医院环境中,这是一个赢得周围,”格林尼说理学院教授和fellow-in-residence阿尔伯塔机器智能研究所(Amii)。

新工具还有助于监测患者的病情进展。“在后续工作中，这些信息也更容易收集。这是一种监测症状的简单方法。”

为机器学习模型加油

Greenshaw强调了一致性、标准化数据收集的重要性，这有助于培养这些类型的机器学习模型。

“这些模型是很好的,但你需要数据构建模型,会发生的一件事,我们预测与机器学习的应用将推动卫生系统收集更好的以证据为基础的措施,“Greenshaw说,一个精神科的教授和副主席。

“例如，在我们做的其他抗抑郁药物的工作中，一个精神病学家试图决定使用哪种药物有大约50%的几率正确。应用机器学习，你可以得到更高的概率，但你必须得到医生的支持。”

细化和扩展模型

这一研究路线的下一步是在更大的人群中验证模型，以获得更全面的数据集。研究人员还对可能使用该模型来观察精神分裂症的精神病特征以及检查精神分裂症和双相情感障碍的认知缺陷之间的差异感兴趣。

精神病患者障碍研究人员说，在美国，认知和社会功能方面的问题通常和症状本身一样令人烦恼。当常规检测发现问题时，病人的生活质量可能已经恶化了。通过更早地发现细微的认知缺陷，新工具为患者提供了提高生活质量的希望。

这项名为“使用机器学习和认知测试对首发双相情感障碍进行个体化识别”的研究发表在《科学》杂志上情感性障碍杂志。

---

---