استفاده از نشانگرهای زیستی MRI در جهت افزایش دقت تجویز داروهای ضد افسردگی

یافته­های یک مطالعه چند محوری در موسسه ملی بهداشت روانی آمریکا، شواهد قوی­ ارائه می­کنند که مشکل انتخاب مناسب‌ترین داروی ضد افسردگی می‌تواند با یک رویکرد پزشکی دقیق و جدید جایگزین شود.

ارزیابی تغییرات عملکردی مغز برای جلوگیری از مصرف داروهای اشتباه

 مادوکار تریودی، مدیر مرکز تحقیقات افسردگی و مراقبت­های بالینی گفت: شناسایی نشانگرهای زیستی MRI مغزی و پیش­بینی نتایج سایر درمان­های افسردگی، پیشرفتی قابل توجه است و به دلیل غیر تهاجمی بودن بایستی به سرعت مورد استفاده قرار گیرد.

دکتر تریودی گفت: افسردگی شدید می­تواند منجر به از دست دادن شغل، ازدواج، زندگی و حتی خودکشی شود؛ اما نشانگرهای زیستی جدید  MRI مغزی می‌توانند بیماران مبتلا به افسردگی شدید را دو تا سه ماه از مصرف داروهای اشتباه در امان نگه دارند.

این مطالعه، داروی رایج ضد افسردگی سرترالین را با گروه کنترلی که دارونما مصرف می­کردند، آزمایش کرد. بیمارانی که پس از هشت هفته به سرترالین پاسخی ندادند، داروی ضد افسردگی بوپروپیون را به کار گرفتند.

در این مطالعه، تغییرات عملکرد مغزی شرکت‌کنندگانی که در طول آزمایش، جایزه یا هدیه‌ای دریافت می‌کردند نیز اهمیت داشت. از این رو محققان، تغییرات حاصل شده در واکنش­های مدار مغزی را در بیش از 300 شرکت‌کننده در حالت استراحت و در طول پاداش گرفتن نیز بررسی کردند.

مدل­های یادگیری ماشینی؛ راهی برای پیش­بینی نتیجه داروی ضد افسردگی

این مطالعه، داده­ها و نوآوری­های جدیدی را برای ساخت مدل­های یادگیری ماشینی جدید به کار گرفت که به دانشمندان و پزشکان می­گوید کدام مناطق و مدارهای خاص مغز، با پیش­بینی پاسخ درمانی به هر دارو مرتبط است.

آلبرت مونتیلو، استادیار دپارتمان بیوانفورماتیک لیدا هیل است. آزمایشگاه او 1000 خط کد را برای تنظیم بهینه مدل­های جدید و روش­های پیچیده و پیشرفته پاک‌کردن اطلاعات تولید کرد تا حرکت سر در fMRI را حذف کند و به سطوحی از دقت که در آزمایشگاه­های دیگر دیده نمی‌شود، دست یابد. وی گفت: اثراتی که ما پیدا کردیم، برای پاسخ به هر یک از داروهای ضد افسردگی منحصر به فرد است.

با توجه به پیچیدگی ذاتی مغز انسان، دانشمندان علوم اعصاب پی بردند که فعالیت مغز می‌تواند 15 درصد از واریانس (اختلاف) در تسکین علائم را توضیح دهد. این یافته علمی قابل توجهی خواهد بود. در این مطالعه، ما می­توانیم 48 درصد از واریانس (اختلاف) را در کاهش علائم سرترالین، 34 درصد برای بوپروپیون و 28 درصد را برای دارونما توضیح دهیم.

دکتر تریودی گفت: نتایج بدست آمده بسیار معتبر هستند زیرا داده­های اساسی مورد استفاده در تحقیق، به طور گسترده ناهمگونی و تفاوت داده‌های بالینی را نشان می­دهد: از جمله داده­های بیمارستان عمومی ماساچوست در بوستون، دانشگاه کلمبیا در نیویورک و دانشگاه میشیگان، همچنین دقت رویکرد تحلیلی با استفاده از مدل­های یادگیری عمیق.

این مطالعه، یکی از کاربردهای یادگیری عمیق برای پیش­بینی نتیجه ضد افسردگی است. دکتر مونتیلو، روش­هایی را توسعه داد تا داده­های اصلی fMRI را تا ده برابر تقویت کند. وی مدل­هایی را طراحی کرد که نتایج را با اطمینان پیش‌‌بینی می‌کنند. این مدل به ویژه درباره بیمارانی که در آموزش مدل­ها شرکت نکرده بودند نیز به کار گرفته شد.

پیش­بینی نتایج سایر درمان­های افسردگی حتی غیر دارویی

دکتر تریودی گفت: این پیشرفت خوبی از رویکردهای پیش­بینی کننده استاندارد است که اکنون مورد استفاده قرار می­گیرد. ما به یافته­های پایداری دست یافته­ایم که می­تواند مسیری را برای کارهای آینده فراهم کند.

دکتر مونتیلو افزود: رویکرد تحلیلی که ما ایجاد کرده­ایم می­تواند به آسانی برای شناسایی نشانه­های زیستی و پیش­بینی نتایج سایر درمان­های افسردگی، چه دارویی و چه غیر­دارویی، مناسب باشد.

طبق شواهد پیش رو، دکتر تریودی و دکتر مونتیلو گفتند که پزشکان بایستی اکنون این رویکرد غیرتهاجمی را به کار گیرند.

مدل­های پیش‌بینی‌کننده نتایج این تحقیق تا حدودی با استفاده از داده­های یک مطالعه بزرگ چند محوری که توسط موسسه ملی بهداشت روانی آمریکا، حمایت مالی شده بود، توسعه داده شد و در مجله  Biological Psychiatryمنتشر شد.

منبع: news-medical.net