پیش بینی روان پریشی قبل از شروع علائم _اخبار روانشناسی جزیره ذهن

خلاصه: محققان ابزاری برای یادگیری ماشینی ابداع کردند که به طور دقیق افراد در معرض خطر بالای روان پریشی را از طریق اسکن مغزی MRI شناسایی می کند. این رویکرد نوآورانه، که به میزان دقت 85 درصدی در آموزش و 73 درصدی با استفاده از داده‌های جدید دست یافت، یک راه امیدوارکننده برای مداخله زودهنگام در روان‌پریشی ارائه می‌کند که به طور بالقوه نتایج درمان را بهبود می‌بخشد.

این مطالعه شامل بیش از 2000 شرکت‌کننده از 21 مکان جهانی بود که پتانسیل این ابزار را در تنظیمات بالینی مختلف برجسته کرد. این ابزار با تشخیص تفاوت‌های ساختاری مغز قبل از شروع روان‌پریشی، پیشرفت قابل‌توجهی در مراقبت‌های روانپزشکی با هدف پیش‌بینی و استراتژی‌های پیشگیری بهتر نشان می‌دهد.

حقایق کلیدی:

  1. طبقه‌بندی‌کننده یادگیری ماشینی با استفاده از اسکن مغزی MRI می‌تواند بین افراد در معرض خطر بالای روان‌پریشی و افرادی که در معرض خطر نیستند، با دقت بالا تمایز قائل شود.
  2. شناسایی زودهنگام خطر روان پریشی از طریق اسکن MRI می تواند به مداخلات موثرتر منجر شود و تأثیر آن بر زندگی افراد را کاهش دهد.
  3. این تحقیق بر نیاز به توسعه بیشتر برای اطمینان از کاربرد طبقه‌بندی کننده در مجموعه داده‌های مختلف و محیط‌های بالینی تاکید می‌کند.

منبع: دانشگاه توکیو

با استفاده از یک ابزار یادگیری ماشینی که می‌تواند اسکن‌های مغزی MRI را به افراد سالم و در معرض خطر یک دوره روان‌پریشی طبقه‌بندی کند، شروع روان‌پریشی را می‌توان پیش از وقوع پیش‌بینی کرد.

یک کنسرسیوم بین المللی شامل محققان دانشگاه توکیو، از طبقه بندی کننده برای مقایسه اسکن های بیش از 2000 نفر از 21 مکان جهانی استفاده کرد. حدود نیمی از شرکت کنندگان از نظر بالینی در معرض خطر بالای ابتلا به روان پریشی شناسایی شده بودند.

با استفاده از داده های آموزشی، طبقه بندی کننده در افتراق بین افرادی که در معرض خطر نبودند و افرادی که بعداً علائم روان پریشی آشکار را تجربه کردند، 85 درصد دقیق بود.

با استفاده از داده های جدید، 73 درصد دقیق بود. این ابزار می‌تواند در تنظیمات بالینی آینده مفید باشد، زیرا در حالی که اکثر افرادی که روان‌پریشی را تجربه می‌کنند بهبودی کامل پیدا می‌کنند، مداخله زودتر معمولاً منجر به نتایج بهتر با تأثیر منفی کمتری بر زندگی افراد می‌شود.

هر کسی ممکن است یک دوره روان پریشی را تجربه کند که معمولاً شامل هذیان، توهم یا تفکر آشفته است. علت واحدی وجود ندارد، اما می‌تواند در اثر بیماری یا جراحت، ضربه، استفاده از مواد مخدر یا الکل، داروها یا یک استعداد ژنتیکی ایجاد شود.

اگرچه می تواند ترسناک یا ناراحت کننده باشد، روان پریشی قابل درمان است و بیشتر افراد بهبود می یابند. از آنجایی که شایع ترین سن برای اولین قسمت در دوران نوجوانی یا اوایل بزرگسالی است، زمانی که مغز و بدن در حال تغییرات زیادی هستند، شناسایی جوانان نیازمند به کمک می تواند دشوار باشد.

پروفسور Shinsuke Koike از دانشکده تحصیلات تکمیلی علوم و هنر در دانشگاه توکیو توضیح داد: «حداکثر فقط 30٪ از افراد بالینی پرخطر بعداً علائم روان پریشی آشکار دارند، در حالی که 70٪ باقیمانده این علائم را ندارند.”

بنابراین، پزشکان برای شناسایی افرادی که علائم روان پریشی دارند نه تنها با استفاده از علائم تحت بالینی، مانند تغییرات در تفکر، رفتار و احساسات، بلکه برخی از نشانگرهای بیولوژیکی نیز به کمک نیاز دارند.

کنسرسیومی از محققان با یکدیگر همکاری کرده اند تا ابزاری برای یادگیری ماشینی ایجاد کنند که از اسکن MRI مغز برای شناسایی افراد در معرض خطر روان پریشی قبل از شروع استفاده می کند. مطالعات قبلی با استفاده از MRI ​​مغز نشان داده‌اند که تفاوت‌های ساختاری در مغز پس از شروع روان‌پریشی رخ می‌دهد.

با این حال، طبق گزارش‌ها، این اولین بار است که تفاوت‌هایی در مغز افرادی که در معرض خطر بسیار بالایی هستند اما هنوز روان‌پریشی را تجربه نکرده‌اند، شناسایی می‌شود.

تیمی از 21 موسسه مختلف در 15 کشور مختلف گروه بزرگ و متنوعی از شرکت کنندگان نوجوان و جوان را گرد هم آورد.

به گفته Koike، تحقیقات MRI در مورد اختلالات روان پریشی می تواند چالش برانگیز باشد زیرا تغییرات در رشد مغز و دستگاه های MRI، دستیابی به نتایج بسیار دقیق و قابل مقایسه را دشوار می کند. همچنین، در مورد افراد جوان، تمایز بین تغییراتی که به دلیل رشد معمولی در حال وقوع است و تغییرات ناشی از بیماری روانی دشوار است.

کویک توضیح داد: «مدل‌های مختلف MRI پارامترهای متفاوتی دارند که بر نتایج نیز تأثیر می‌گذارد.

درست مانند دوربین ها، ابزارهای متنوع و مشخصات تصویربرداری تصاویر متفاوتی از یک صحنه ایجاد می کنند، در این مورد مغز شرکت کننده. با این حال، ما توانستیم این تفاوت‌ها را اصلاح کنیم و طبقه‌بندی‌کننده‌ای ایجاد کنیم که به خوبی برای پیش‌بینی شروع روان‌پریشی تنظیم شده است.»

شرکت کنندگان به سه گروه از افراد در معرض خطر بالینی بالا تقسیم شدند: کسانی که بعداً به روان پریشی مبتلا شدند. کسانی که به روان پریشی مبتلا نشدند. و افراد با وضعیت پیگیری نامشخص (در مجموع 1165 نفر برای هر سه گروه)، و گروه چهارم از افراد سالم برای مقایسه (1029 نفر). با استفاده از اسکن، محققان یک الگوریتم یادگیری ماشینی را برای شناسایی الگوهای آناتومی مغز شرکت کنندگان آموزش دادند.

از این چهار گروه، محققان از این الگوریتم برای طبقه‌بندی شرکت‌کنندگان به دو گروه اصلی مورد علاقه استفاده کردند: کنترل‌های سالم و آن‌هایی که در معرض خطر بالا هستند که بعداً علائم روان‌پریشی آشکار پیدا کردند.

در آموزش، این ابزار در طبقه‌بندی نتایج 85 درصد دقت داشت، در حالی که در آزمون نهایی با استفاده از داده‌های جدید، 73 درصد در پیش‌بینی اینکه کدام شرکت‌کنندگان در معرض خطر بالای شروع روان پریشی هستند، دقت داشت.

بر اساس نتایج، این تیم معتقد است که ارائه اسکن‌های MRI مغز برای افرادی که از نظر بالینی در معرض خطر بالایی هستند ممکن است برای پیش‌بینی شروع روان پریشی در آینده مفید باشد.

ما هنوز باید آزمایش کنیم که آیا طبقه‌بندی‌کننده برای مجموعه‌های جدید داده به خوبی کار می‌کند یا خیر. از آنجایی که برخی از نرم افزارهای مورد استفاده ما برای مجموعه داده های ثابت بهترین هستند، باید طبقه بندی کننده ای بسازیم که بتواند MRI ها را از سایت ها و ماشین های جدید به طور قوی طبقه بندی کند، چالشی که یک پروژه ملی علم مغز در ژاپن به نام Brain/MINDS Beyond است. کویکه گفت: اکنون در حال انجام است.

اگر بتوانیم این کار را با موفقیت انجام دهیم، می‌توانیم طبقه‌بندی‌کننده‌های قوی‌تری برای مجموعه‌های داده جدید ایجاد کنیم، که می‌توان آن‌ها را در تنظیمات بالینی زندگی واقعی و معمول اعمال کرد.»

منابع مالی: این تحقیق تا حدی توسط AMED (Grant Number JP18dm0307001, JP18dm0307004, and JP19dm0207069)، JST Moonshot R&D (JPMJMS2021)، JSPS KAKENHI (JP23H0531870 Science Foundation)، JP23H0531870، JP23H051870، و بنیاد تحقیقات پزشکی JP23H05. این مطالعه همچنین توسط مرکز تحقیقات بین‌المللی هوش عصبی (WPI-IRCN)، دانشگاه توکیو پشتیبانی شد.

درباره این خبر تحقیق روان پریشی

نویسنده: جوزف کریشر
منبع: دانشگاه توکیو
مخاطب: جوزف کریشر – دانشگاه توکیو
تصویر: این تصویر به Neuroscience News اعتبار داده شده است

تحقیق اصلی: دسترسی آزاد.
استفاده از اقدامات تصویربرداری عصبی ساختاری مغز برای پیش بینی شروع روان پریشی برای افراد در معرض خطر بالینیتوسط Shinsuke Koike و همکاران. روانپزشکی مولکولی


خلاصه

استفاده از اقدامات تصویربرداری عصبی ساختاری مغز برای پیش بینی شروع روان پریشی برای افراد در معرض خطر بالینی

رویکردهای یادگیری ماشینی با استفاده از تصویربرداری تشدید مغناطیسی ساختاری (sMRI) می‌تواند برای طبقه‌بندی بیماری‌ها آموزنده باشد، اگرچه توانایی آنها برای پیش‌بینی روان‌پریشی تا حد زیادی ناشناخته است.

ما مدلی را با افرادی در CHR ایجاد کردیم که بعداً به روان پریشی (CHR-PS+) از افراد سالم (HCs) مبتلا شدند که می توانند یکدیگر را متمایز کنند.

ما همچنین ارزیابی کردیم که آیا می‌توانیم افراد CHR-PS+ را از افرادی که بعداً دچار روان‌پریشی نشدند (CHR-PS-) و افرادی که وضعیت پیگیری نامشخص داشتند (CHR-UNK) را تشخیص دادیم. اسکن MRI ساختاری مغز با وزن T1 از 1165 نفر در CHR (CHR-PS+، n= 144; CHR-PS-، n= 793; و CHR-UNK، n= 228)، و 1029 HCs، از 21 سایت به دست آمد.

ما از ComBat برای هماهنگ کردن اندازه‌های حجم زیر قشری، ضخامت قشر و داده‌های سطح سطح استفاده کردیم و با استفاده از یک مدل افزایشی کلی، اثرات غیرخطی سن و جنس را تصحیح کردیم. CHR-PS+ (n= 120) و HC (n= 799) داده های 20 سایت به عنوان یک مجموعه داده آموزشی خدمت می کردند که ما از آنها برای ساخت یک طبقه بندی کننده استفاده کردیم.

نمونه‌های باقی‌مانده از مجموعه داده‌های اعتبارسنجی خارجی برای ارزیابی عملکرد طبقه‌بندی کننده (آزمون، تاییدی مستقل، و گروه مستقل) استفاده شدند. [CHR-PS- and CHR-UNK] مجموعه داده ها). دقت طبقه‌بندی کننده در مجموعه داده‌های آموزشی و تاییدی مستقل به ترتیب 85% و 73% بود.

اندازه‌گیری‌های منطقه‌ای سطح قشر مغز – از جمله مواردی از قشر منزوی پیشانی فوقانی راست، گیجگاهی فوقانی راست و دو طرفه به شدت در طبقه‌بندی CHR-PS+ از HC نقش داشتند. افراد CHR-PS- و CHR-UNK بیشتر در مقایسه با CHR-PS+ به عنوان HC طبقه بندی می شوند (نرخ طبقه بندی به HC: CHR-PS+، 30٪؛ CHR-PS-، 73٪؛ CHR-UNK، 80٪). .

ما از sMRI چند سایتی برای آموزش یک طبقه‌بندی برای پیش‌بینی شروع روان‌پریشی در افراد CHR استفاده کردیم، و پیش‌بینی CHR-PS+ را در یک نمونه مستقل نشان داد.

نتایج نشان می‌دهد که هنگام در نظر گرفتن رشد مغز نوجوانان، اسکن‌های MRI پایه برای افراد CHR ممکن است برای شناسایی پیش آگهی آنها مفید باشد.

مطالعات آینده نگر در مورد اینکه آیا طبقه بندی کننده واقعاً می تواند در تنظیمات بالینی مفید باشد، مورد نیاز است.

https://neurosciencenews.com/ai-onset-psychosis-25594/

ممکنه براتون جالب باشه که...

پست های محبوب

دیدگاهتان را بنویسید