
-
生物通官微
陪你抓住生命科技
跳动的脉搏
结构成像在预测难治性抑郁症患者对氯胺酮治疗效果中的作用:一种机器学习方法
《Translational Psychiatry》:Structural imaging predictors of ketamine response in treatment-resistant depression: a machine learning approach
【字体: 大 中 小 】 时间:2026年05月13日 来源:Translational Psychiatry 6.2
编辑推荐:
```html 摘要 氯胺酮在治疗难治性抑郁(TRD)方面表现出迅速的抗抑郁效果,但由于个体反应的差异性,临床决策面临挑战。当前试错式的用药方式可能导致患者接受无效的治疗并出现可避免的不良反应,这凸显了需要可靠的预测工具来优化治疗选择并支持个性化、基于证据的护
氯胺酮在治疗难治性抑郁(TRD)方面表现出迅速的抗抑郁效果,但由于个体反应的差异性,临床决策面临挑战。当前试错式的用药方式可能导致患者接受无效的治疗并出现可避免的不良反应,这凸显了需要可靠的预测工具来优化治疗选择并支持个性化、基于证据的护理。我们开发了一种机器学习模型(支持向量分类器),利用治疗前的结构性MRI数据来预测患者对氯胺酮的抗抑郁反应。该模型在99名接受单次静脉注射氯胺酮(0.5 mg/kg)的TRD患者中进行了训练。临床反应定义为注射后24小时MADRS评分下降≥50%。内部验证采用了重复嵌套交叉验证方法,而泛化能力则在两个独立的氯胺酮治疗组(n=51)和一个生理盐水治疗对照组(n=49)中进行了测试。在氯胺酮治疗组中,有52名(52.5%)患者对治疗产生了反应。该模型在发现样本中的准确率为72.2%(敏感性=72.3%,特异性=73.1%,AUC=0.72);在外部验证中的准确率为60.0%(p=0.01,AUC=0.65)。额叶区域较大的灰质体积与治疗反应相关,而小脑体积较大则与无反应相关。在生理盐水治疗组中,模型的表现降至随机水平(准确率=41.1%,AUC=0.45),这支持了其药理学特异性。这些发现提出了首个基于结构性神经影像学数据的氯胺酮治疗反应预测机器学习模型,强调了其在分层治疗规划和基于生物标志物的干预措施中的潜在应用价值,同时也为抗抑郁反应的神经解剖学预测因素提供了机制上的见解。