Anonim

Üdvözöljük az Impact Factor-ban, a heti adag kommentárjában egy új orvosi vizsgálatban. Dr. F. Perry Wilson vagyok.

Ez egy új év. Egy kis nyaralási szünet után visszatérek, és őszintén szólva, kissé hülye, amikor áttekintem a nemrégiben megjelent orvosi szakirodalmat. Ma egy meglehetősen kicsi tanulmányra összpontosítom. Ez az egyik eltalálja a kedvtelésből tartott házi kedvencemet, tehát ide fogom irányítani a belső Andy Rooney-t, és egy kicsit összekapcsolom.

Megjelenik a JAMA Network Open-ben. Ez a cikk meggyőző címmel szerepel: "Gépi tanulás felhasználása az elektroencephalográfiás felvételekből származó depressziós depresszióban szenvedő betegek elektroencefalográfiás felvételeinek előrejelzésére".

Szeretem tudni, hogy mihez vagyok, amikor egy címet olvasok, és ez a cím meglehetősen ígéretes. Számomra úgy olvasható, hogy a kutatók elektroencephalográfiát (EEG) és néhány divatos gépi tanulási anyagot használtak annak előrejelzésére, hogy mely depressziós betegek részesülnek előnyben az escitalopram-kezelés révén.

Ez az ötlet - a gépi tanulási modell használata a legjobb pszichiátriai kezelés kiválasztásához - Szent Grál szintű, személyre szabott gyógyászati ​​cucc. Lásd, amikor súlyos depressziós rendellenességgel szembesülnek, a doki orvosok gyakran kipróbálják a gyógyszert gyógyszeres kezelés után, hogy megnézzék, mi ragad meg; bármi, amely csökkenti a próba-hiba megközelítést, sok időt takarít meg, nem is beszélve az életről.

De erről nem szól ez a tanulmány. Sétálj velem a módszereken, és látni fogod, mire gondolok.

A British Columbia kutatói 122 súlyos depresszióban szenvedő felnőtt EEG-adatait elemezték, akiket escitalopram terápiával kezdtek.

Mint tudod, az EEG egy csomó adatot ad ki - több elektródot, több ezer mérést. Ez valójában ideális hely a gépi tanulási eszközök használatához, hogy ezeket az adatokat egyetlen számra tömörítse. A szerzők egy példaértékű munkát végeznek egy jól megalapozott, egy támogatási vektorgépen elnevezett gépi tanulási algoritmus használatával, hogy ezeket az adatgyűjtőket felhasználják és előrejelzéské alakítsák.

De pontosan mit jósolnak?

Azt jósolják, hogy a betegnek a depresszió remissziója 8 héten belül fennáll-e. Nem jósolják meg, hogy az escitalopram jót tett-e a betegnek, és ez a különbség óriási.

Ebben a vizsgálatban nem volt kontrollcsoport; mind a 122 beteget escitaloprammal kezelték. Ezért nincs mód arra, hogy megtudjuk, vajon a gépi tanulási modell olyan személyeket azonosított-e, akiknél a terápiától függetlenül valószínűbb a remisszió elérése (emlékezzünk rá, hogy a depresszió spontán visszatér az esetek kb. 20% -ában), vagy azoknak, akik valóban részesülnek az escitalopramból.

Lásd: minden depressziós betegnek négy lehetséges sorsa van az escitalopram tekintetében:

Image

Néhányuknak remissziója van a gyógyszerrel vagy anélkül. Egyeseknek a kezeléstől függetlenül soha nem lesz remissziója. Egyesek csak akkor szenvednek el remissziót, ha megszerezik a gyógyszert, mások feltehetően csak akkor nem tapasztalnak remissziót, ha megszerezik a drogot.

Image

Valójában ez az utolsó két kategória, amelyben a kezelés iránti döntés szempontjából törődünk, de ironikus módon az első két kategóriát a legkönnyebben megjósolni - mert a végén a depresszió enyhítésének legnagyobb előrejelzője nem az, hogy gyógyszer, de elsősorban milyen súlyos a depresszió.

Ez egy hatalmas különbség egy előrejelzési probléma szempontjából, és amely valójában kárt okozhat a betegeknek.

Hadd mutass egy példát.

Képzelje el, hogy felépítettünk egy modellt, amely megjósolta, hogy a simvastatinnal kezelt lakosság körében melyiknél a legkevésbé valószínű a szívinfarktus.

Image

Összehasonlító csoport nélkül azt tapasztalnánk, hogy alacsonyabb LDL-szintű, nagyobb fizikai aktivitású és cukorbetegség nélküli egyének eredményeznék a legjobb eredményt. Ha azt állítanánk, hogy ilyen típusú embereket kell kapni sztatinokkal, akkor óriási szolgálatot tennünk azoknak az embereknek, akiknek kiindulási állapotában súlyosabb a betegség. Modellünk nem mondja el nekünk, hogy kinek kell szereznie a drogot; csak azt mondja nekünk, hogy ki volt jobb az első.

Olyan modellekre van szükségünk, amelyek a terápiát a megfelelő betegeknek célozhatják, függetlenül attól, hogy milyen állapotban vannak a kezdeti állapotban, különben mindig a legkevésbé beteg embereket választjuk a kezeléshez. Persze, hogy ez teszi a terápiák sikerességi arányát fantasztikusnak, de nem így akarok gyakorolni az orvostudományt.

Oké, vissza az escitalopramhoz. Ez a cikk azt mutatja, hogy a szerzők az EEG adatok alapján modellt építettek fel, amely megmutatja, ki valószínűleg szenved a depresszió remissziójában. Azt állíthatják, hogy a modellnek semmi köze sincs az escitalopramhoz. A modell ugyanolyan jól megjósolja a kimeneteleket bármely antidepresszáns vagy egyáltalán nem alkalmazó betegek körében. Más szavakkal, nem vagyunk közelebb ahhoz az álomhoz, hogy valaki fejére ragasztunk egy EEG-t, és tudjuk, hogy milyen drogot kell adni nekik, mint korábban voltunk. De az ilyen tanulmányokról folyton pontatlanul jelennek meg, ami arra utal, hogy van egy új eszköz a személyre szabott orvoslás eszköztárában.

A legnagyobb félelem az, hogy ezek a modellek forgalomba kerülnek, mivel valamiféle „ezt használják annak eldöntésére, hogy kinek kell kezelni” fekete dobozt, amely - amint mindannyian mindenki megértjük - elfogult azokkal szemben, akik a kiindulási helyzetnél gyengébbek, még akkor is, ha jól reagálnának a terápia. A cikk következtetésének második mondata így szól: "Megfelelő klinikai alkalmazásra kifejlesztett ilyen csővezeték értékes kezelési tervezési eszköz lehet."

Nem igazán - csak akkor, ha csak a legkevésbé beteg egyéneknek kívánják fenntartani a kezelést.

Meg tudnák-e bizonyítani a kutatók, hogy modelljük nem csupán a kevésbé súlyos depressziót azonosítja, szemben az escitalopram-válaszmal? Nos, meg tudnák mutatni, hogy a modell miként korrelál a depresszió alapértékével vagy más alapvető tényezőkkel. Fogadok az, hogy leginkább azt tapasztaljuk, hogy a modell csak azokat a személyeket azonosítja, akiknek kiindulási pontja kevésbé súlyos depresszióval rendelkezik, de ezeket az adatokat nem mutatják be.

És ne felejtsük el, hogy bár nagyon jó adatgyűjtést kapni arról, hogy a depresszió milyen súlyos csak EEG-ről - úgy értem, hogy ez a Star Trek - és imádom -, rengeteg eszköz áll rendelkezésre a depresszió súlyosságának felmérésére.

Tehát a következő alkalommal, amikor egy olyan tanulmányt látunk (gépi tanulással vagy más módon), amely állítja, hogy "előre jelezze a terápiára adott választ", a következő kérdés, amelyet fel kell tennünk, "Hogyan tudhatjuk, hogy a modell nem pusztán azonosítja a kevésbé súlyos betegséget a kiindulási helyzetben? "

Perry Wilson, MD, MD, az orvostudomány egyetemi docens és a Yale alkalmazott alkalmazott transzlációs kutatási programjának igazgatója. Tudományos kommunikációs munkája megtalálható a Huffington Postban, az NPR-en és itt a Medscape-en. Tweetet küld a @methodsmanmd-nek, és kommunikációs munkájának tárházát tárolja a www.methodsman.com webhelyen.

Kövesse a Medscape-t a Facebook-on, a Twitter-en, az Instagram-on és a YouTube-on