新的研究表明，大脑连接模式可以帮助预测重度抑郁症（MDD）患者对抗抑郁药物的反应。通过结合脑成像和临床数据，研究人员开发了机器学习模型，这些模型在两个大型试验中准确预测了治疗结果。
将基于大脑的生物标志物添加到传统因素（如年龄或症状严重程度）中显著提高了预测准确性。这标志着朝着个性化、更快且更有效的抑郁症治疗方法迈出了重要一步，减少了试错开药的挫败感。
关键事实：
- 基于大脑的预测： 关键脑区的连接性改善了抗抑郁药物疗效的预测。
- 跨试验成功： 在一个研究中训练的模型在另一个研究中也能准确预测结果。
- 走向个性化： 这些发现为基于脑扫描的定制化抑郁症治疗铺平了道路。
找到正确的抗抑郁药物治疗方案通常是一个令人沮丧且耗时的过程——往往需要个体在尝试新药物之前忍受数周无效的药物。现在，一项新研究为更个性化的治疗方法带来了希望。
该研究发表在《JAMA Network Open》上，揭示了使用脑成像和临床数据来预测重度抑郁症（MDD）患者对抗抑郁药物反应的有希望进展。
研究显示，大脑连接模式——特别是背侧前扣带回皮层的连接模式——在两个独立的大规模临床试验中显著提高了治疗反应的预测性能。
“尽管有多种抗抑郁治疗方法可供选择，包括药物和心理治疗，但许多抑郁症患者在找到最适合他们的治疗方法方面仍然存在困难，”加州大学欧文分校Noel Drury, M.D.转化抑郁症研究所所长、Charlie Dunlop生命科学学院和医学院杰出教授Diego Pizzagalli博士说。
“因此，对于许多人来说，治疗遵循一种试错的方法。发现能够预测积极抗抑郁药物反应的基于大脑的标志物有望实现更加个性化的治疗，从而加速症状的缓解。”
研究人员使用来自两个国际试验——美国的EMBARC试验和加拿大的CANBIND-1试验——的350多名参与者的临床和神经影像学数据训练了机器学习模型，评估其算法是否能够可靠地预测谁会对常见的抗抑郁药物如舍曲林和艾司西酞普兰产生反应。
他们发现，将大脑连接标记添加到传统的临床数据（如年龄、性别和基线抑郁严重程度）中，显著提高了两个研究中的预测性能。
“我们在美国和加拿大进行的两个大规模临床试验中，识别出了一种能够预测对常见抗抑郁药物反应的大脑连接标记，”Pizzagalli实验室的前博士后研究员、目前在成瘾与精神健康中心脑健康成像中心工作的Peter Zhukovsky解释说。
“我们的算法的预测性能通过添加大脑连接特征得到了提高，达到了中等水平。”
“我们的发现为寻找预测抑郁症反应的生物标志物提供了希望。我们希望这些努力能帮助患者找到最有可能对他们有效的治疗方法。”
这项研究还解决了经常被忽视的泛化问题——在一个试验中开发的预测模型是否能在完全不同的群体中保持有效性。这是这项研究的突出之处。在一个试验中训练的模型在另一个试验中测试时表现得相当好，突显了其在更广泛实际应用中的潜力。
“数据协调和建立包含不同治疗方法的大规模数据库是具有挑战性的，”Zhukovsky指出。
“然而，我们希望像在这个项目中进行的跨试验分析将推进精准医学的目标。”
这项研究的影响是深远的。通过开发不限于某一治疗环境或人群的生物标志物，研究人员正在为最终可能在早期匹配患者与有效治疗方法的临床工具奠定基础，从而减少痛苦并加速康复。
“我们研究了预测抗抑郁药物治疗反应的生物标志物，”Zhukovsky补充道。
“然而，还有许多其他治疗抑郁症的选择，如果我们能够识别特定治疗的标志物，那么由此产生的决策支持工具可以在生物标志物指导的临床研究中进行测试。”
随着全球心理健康障碍的不断增加，对更快、数据驱动的治疗方法的需求比以往任何时候都更加迫切。
该团队的研究结果强调了基于大脑诊断方法在改变抑郁症治疗方面的潜力。但他们也强调，还需要更多的研究——更大规模的试验、新的治疗比较和实际应用研究——才能将这些见解从实验室带到临床。
这项工作将是最近在加州大学欧文分校启动的Noel Drury, M.D.转化抑郁症研究所的关键优先事项之一。
资助： 本研究由麦克莱恩医院和哈佛医学院、德克萨斯大学西南医学中心、纽约州精神病学研究所、哥伦比亚大学Vagelos医学院、石溪大学、多伦多大学和Unity Health Toronto抑郁症和自杀研究中心的研究人员之间的多机构合作完成。
EMBARC研究得到了美国国家心理健康研究所（U01MH092221和U01MH092250）的资助。
CAN-BIND-1试验是在安大略省脑研究所和Brain-CODE平台的合作下进行的，并得到了安大略省政府的部分资助。
(全文结束)
