机器学习在深度脑刺激治疗重度抑郁症中的应用：一项系统评价和荟萃分析

《Neurosurgical Review》：Applications of machine learning in deep brain stimulation for major depressive disorder: a systematic review and meta-analysis

　　抑郁症难治性患者深部脑刺激（DBS）疗效预测的机器学习模型研究显示，整合结构、功能及临床等多模态数据时，支持向量机等模型预测效能（敏感性0.74-0.93，AUC0.57-0.95）显著，但需标准化协议和外部验证。

　　

摘要

抑郁症是一个重大的公共卫生问题，始终位列导致死亡、生活质量下降和经济负担的主要因素之一。尽管有现有的治疗方法，但大约三分之一的患者对标准治疗表现出抗性。深部脑刺激（DBS）已成为治疗重度抑郁症（MDD）和治疗抵抗性抑郁症（TRD）的一种有前景的干预手段，然而不同个体的反应率差异很大。近年来，机器学习（ML）模型被引入用于预测患者对DBS的反应，这有望改善患者选择并实现更加个性化的治疗策略。本研究根据PRISMA指南进行了系统评价和荟萃分析，检索了PubMed、Scopus和Cochrane三个数据库中应用ML预测MDD/TRD患者对DBS反应的相关研究。共有6项研究被纳入系统评价，涉及32个ML模型，其中最常用的是支持向量机（SVM）和朴素贝叶斯分类器。所有DBS手术都针对扣带回下皮层（SCC）进行。输入数据包括结构信息、功能信息、神经电生理信息和临床信息。性能指标差异较大：敏感性范围为0.56至0.93，特异性为0.00至0.89，准确率为0.44至0.84，AUC为0.57至0.95。对四项研究的定量综合分析显示，合并后的敏感性为0.74（0.67–0.79），特异性为0.73（0.66–0.79），AUC为0.83（0.69–0.89），表明这些模型具有很强的区分能力，支持了ML模型在此领域可能具备强大预测能力的预期。ML模型在预测MDD/TRD患者对SCC的DBS反应方面表现出良好的能力，尤其是在利用多模态数据时。目前的证据表明，ML在这一领域的应用前景较为乐观，显示出未来临床应用的巨大潜力。然而，需要制定标准化协议并进行外部测试以支持其临床应用。