基于静息态功能连接的重复经颅磁刺激治疗抑郁症多维症状预测研究

来自某研究团队的最新成果：通过机器学习模型分析预处理静息态功能连接(RSFC)，成功预测抑郁症患者经重复经颅磁刺激(rTMS)治疗后的多维症状变化。研究发现核心情绪与快感缺失(CMA)维度预测准确率达9%（P<0.001），显著优于汉密尔顿抑郁量表(HDRS-17)总分预测，揭示了默认模式网络(DMN)和躯体运动网络等脑区功能连接对治疗响应的预测价值，为精准医疗提供新思路。

　　

这项突破性研究揭示了大脑"静息状态密码"的临床价值。科研人员运用磁共振成像技术捕捉26名抑郁症患者治疗前的静息态功能连接(RSFC)特征，通过随机森林回归模型成功解码了重复经颅磁刺激(rTMS)后的症状变化规律。有趣的是，核心情绪与快感缺失(CMA)维度的预测表现最为亮眼，其预测准确率是传统HDRS-17总分预测的4.5倍！

脑网络分析显示，当默认模式网络(DMN)和躯体运动网络像"过度活跃的社交达人"般呈现高全局连接(GC)时，往往预示着较差的治疗效果；而右侧背侧注意网络和额顶控制网络则像"精准的调控师"，其高连接性与CMA症状改善显著相关。这些发现颠覆了传统以量表总分为疗效指标的研究范式，证实了"分维度精准预测"的科学优势。

该研究为抑郁症治疗响应预测提供了"脑网络指纹"新范式，提示临床评估应当关注更精细的症状维度。就像为每个患者绘制独特的"脑网络地图"，未来或可实现真正个性化的神经调控治疗。