用人工智能工具早期检测双相情感障碍
许多具有早期或第一集的双相情感障碍的人具有认知缺陷,例如视觉处理和空间记忆的问题,但这些缺陷往往是如此微妙,疾病多年来无法解除诊断。这可能会因艾伯塔大学的研究人员而变化,他们创建了一种机器学习模式,有助于识别这些微妙赤字的目的是介绍的目标。
这项研究是由Jeffrey Sawalha领导的,他是一名博士生,与亚利桑那大学的计算精神病学研究小组合作。早期诊断对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对他们进行治疗。有证据表明,在早期阶段,患者对锂盐治疗的反应更强烈。
如果你能用认知测试机器学习发现细微的形式,防止躁狂发作的发展或出现,这是关键。我们显然不能预防所有病例,但对某些人来说可能是巨大的好处,”精神病学助理教授曹波(Bo Cao)说。他是计算精神病学小组的成员,该小组还包括拉斯·格莱纳(Russ Greiner)和安德鲁·格林肖(Andrew Greenshaw)。这三个人都是神经科学和心理健康研究所。
本集团通过比较慢性患者培训了其机器学习模型双相情感障碍对健康的控制性质,然后证明了这一学习模式可以将第一集集双相障碍患者与76%的准确性分开。所得到的工具可以检查认知缺陷的早期标记,然后可以用于早期检测双相障碍。
美国大学的研究人员与中国的合作者合作,他们收集了用于机器学习模型的数据。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,患者在完成测试时受到监督,但大多数测试可以使用平板电脑进行。
这与当前通过诸如的机器获取信息的实践形成鲜明对比核磁共振成像它提供了大脑结构的图像。研究人员称,通过机器学习分析的一个简单的认知测试可以产生同样有价值的数据。
“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)。
这种新工具也有助于监测患者的病情进展。“在随访方面,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。
加油机学习模型
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,以及我们预测的一件事将在机器学习的应用中发生的是它将推动健康系统采集更好的基于证据的措施,”格林根锯,精神科学部的教授和助理主席。
“例如,在我们用抗抑郁药物的其他工作中,一位精神科医生试图决定使用哪种药物的使用量大约有50%的机会获得权利。应用机器学习,您可以获得更高的概率,但是你有从医生那里获得买入。“
这一研究方向的下一步是用更大的人群验证模型,以获得更全面的数据集。研究人员还对潜在地使用这个模型来观察精神病的特征感兴趣精神分裂症研究精神分裂症和双相障碍中认知缺陷的差异。
研究人员说,对于精神疾病患者来说,认知和社交功能的问题往往和症状本身一样令人烦恼。当常规检查发现问题时,病人的生活质量可能已经恶化了。通过更早发现细微的认知缺陷,新工具为患者提供了改善生活质量的希望。
来源:阿尔伯塔大学