研究人员制作了基于人工智能的工具可在早期检测双相情感障碍

许多患有早期或首发双相情感障碍的人都有认知缺陷，例如视觉处理和空间记忆问题，但这些缺陷通常非常微妙，以至于这种疾病可能多年得不到诊断。这要归功于阿尔伯塔大学的研究人员，他们创建了一个机器学习模型，帮助识别这些细微的缺陷，目的是更早地进行干预。

该研究由与A大学计算精神病学研究小组合作的博士生JeffreySawalha领导。

早期诊断对于双相情感障碍患者至关重要，因为这可以让精神科医生在症状恶化之前更快地治疗他们。有证据表明，患者在锂治疗的早期阶段反应更强烈。

“如果你可以使用认知测试和机器学习来检测微妙的形式，防止躁狂发作的进展或出现，这就是关键。我们显然无法预防所有病例，但这对某些人来说可能是一个巨大的好处，”精神病学系助理教授、计算精神病学小组成员曹博说，该小组还包括RussGreiner和AndrewGreenshaw。这三人也是神经科学和心理健康研究所的成员。

该小组通过将慢性双相情感障碍患者与健康对照个体进行比较来训练其机器学习模型，然后证明该学习模型可以以76%的准确率区分首发双相情感障碍患者和健康对照。由此产生的工具可以检查认知缺陷的早期标志物，然后可以用于双相情感障碍的早期检测。

UofA研究人员与的合作者合作，他们收集了机器学习模型中使用的数据。这些数据是使用针对认知功能的测试获得的。在这项研究中，患者在完成测试时受到监督，但大多数测试可以使用平板电脑虚拟完成。

这与目前通过MRI等机器获取信息的做法形成鲜明对比，后者提供大脑结构的图像。据研究人员称，通过机器学习分析的简单认知测试可以产生同样有价值的数据。

“如果我们能立即获得相同的信息，无论是几分钱还是数百美元，还是三周后，在无压力的环境中，还是在压力大的医院环境中，这都是一场胜利，”该学院教授格雷纳说。阿尔伯塔机器智能研究所(Amii)的科学和常驻研究员。

新工具还有助于监测患者随时间的进展。“在跟进方面，这些信息也更容易收集。这是一种监测症状的简单方法，”Sawalha说。

Greenshaw强调了一致、标准化的数据收集的重要性，以帮助培养这些类型的机器学习模型。

“这些模型很棒，但你需要数据来构建模型，我们预测应用机器学习会发生的事情之一是它将推动卫生系统收集更好的循证措施，”格林肖说，精神病学系教授和副主任。

“例如，在我们用抗抑郁药所做的其他工作中，试图决定使用哪种药物的精神科医生有大约50%的机会得到正确的结果。应用机器学习，你可以获得更高的概率，但你必须得到医生的认可。”

细化和扩展模型

这一系列研究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。研究人员还对潜在地使用该模型来研究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。

研究人员表示，对于精神疾病患者来说，认知和社会功能问题往往与症状本身一样令人烦恼。到传统检测发现问题时，患者的生活质量可能已经恶化。通过更早地发现细微的认知缺陷，新工具为患者改善生活质量带来了希望。

标签：