AI maskininlärning används för att förutsäga psykos

Kan artificiell intelligens (AI) maskininlärning ge kliniker förutsägelser om patienter som kommer att utveckla psykos? I en ny europeisk studie som släpptes förra månaden i JAMA Psykiatri ledd av Dr. Nikolaos Koutsouleris vid Max-Planck Institute of Psychiatry i München, Tyskland, använde forskare AI-maskininlärning och mänsklig intelligens för att förutsäga psykisk sjukdom.

"Vår studie visade för första gången, såvitt vi vet, att förstärkningen av mänskliga prognostiska förmågor med algoritmiskt mönsterigenkänning förbättrar prognostisk noggrannhet till marginaler som sannolikt motiverar det kliniska genomförandet av cybernetiska beslutsstödverktyg", skrev forskarna.

Psykos är ett behandlingsbart tillstånd med många orsaker som påverkar hur hjärnan behandlar information. Det kännetecknas av en förlust av koppling till verkligheten. Psykos är ett symptom på hälsoproblem som schizofreni och bipolär sjukdom, som anses vara primära psykotiska sjukdomar. Sekundär psykos är termen som används för att beskriva när en person upplever en koppling från verkligheten för andra triggers än primära psykotiska sjukdomar.

Psykos kan uppstå på grund av sömnbrist, medicinska tillstånd, trauma, stress eller missbruk av alkohol och droger. Psykos kan åtfölja ångest, depression, sömnlöshet och social isolering. Symtom på psykos kan innefatta hallucinationer, vanföreställningar, meningslöst tal och olämpligt beteende.

Ungefär tre av 100 amerikaner kommer att uppleva psykos under sina liv, och varje år upplever 100 000 unga amerikanska vuxna och ungdomar sin första psykotiska episod, enligt National Institute of Mental Health (NIH).

Den globala antipsykotiska läkemedelsmarknaden kommer att växa med en CAGR på 4,1 procent mellan 2020 och 2027 och beräknas uppgå till 21,8 miljarder USD år 2027, enligt en rapport från Research and Markets i september 2020. Förra året hade USA mer än 28,8 procent marknadsandel av den globala antipsykotiska läkemedelsmarknaden, enligt samma rapport.

För denna studie använde forskarna NeuroMiner, ett program för maskininlärning som finns tillgängligt på GitHub, för att utveckla "en sekventiell prognostisk algoritm som identifierade den optimala sekvensen av prediktiva komponenter som ska kombineras till en staplad modell."

För att hitta den optimala uppsättningen av förutsägelsesfunktioner för riskräknare, använde forskarna Support Vector Machine (SVM) från Liblinear-biblioteket i NeuroMiner.

Support Vector Machines är övervakade maskininlärningsmodeller som används för att hitta urskiljbara mönster i komplexa datamängder. Det är en maskininlärningsmetod som har en relativt minskad risk för överdimensionering av högdimensionella bilddata som neuroavbildning. Med sin flexibla metod för hantering av klassificering är Support Vector Machines en AI-maskininlärningsmetod som är särskilt lämpad för neurovetenskaplig forskning för precisionspsykiatri för AI-förutsägelse av depression, Alzheimers sjukdom och schizofreni.

"I denna prognostiska studie av 334 patienter och 334 kontrollindivider kombinerade maskininlärningsmodeller sekventiellt kliniska och biologiska data med klinikers uppskattningar korrekt förutsagda sjukdomsövergångar i 85,9 procent av fallen över geografiskt distinkta patientpopulationer", rapporterade forskarna.

Syftet med forskarna var att tillhandahålla ett tidigt ingripande verktyg för att hjälpa läkare att avgöra vilka patienter som behöver terapeutiska ingrepp. Nu finns det ett proof-of-concept för en potentiell ny AI-assisterad metod för tidig upptäckt av patientpsykos som en dag kan leda till förbättrad psykisk hälsobehandling i framtiden.

Copyright © 2021 Cami Rosso Med ensamrätt.

Facebook-bild: fizkes / Shutterstock

LinkedIn-bild: TheVisualsYouNeed / Shutterstock