Mηχανική μάθηση για να ανιχνεύσουν τις εναλλαγές διάθεσης σε άτομα με διπολική διαταραχή

Μελέτη δείχνει ότι ένας ιχνηλάτης φυσικής κατάστασης μπορεί να ανιχνεύσει επεισόδια εναλλαγής συναισθημάτων σε άτομα με διπολική διαταραχή, για να βοηθήσει στη θεραπεία τους. Ειδικότερα, ερευνητές από το Brigham and Women's Hospital αξιολόγησαν εάν τα δεδομένα που συλλέχθηκαν από έναν ιχνηλάτη φυσικής κατάστασης θα μπορούσαν να χρησιμοποιηθούν για τον ακριβή εντοπισμό αυτών των επεισοδίων.

Τα ευρήματά τους, που δημοσιεύθηκαν στο Acta Psychiatrica Scandinavica, υποδεικνύουν ότι είναι δυνατό να εντοπιστούν χρονικά διαστήματα κατά τα οποία ασθενείς με διπολική διαταραχή βιώνουν κατάθλιψη με υψηλή ακρίβεια χρησιμοποιώντας δεδομένα από συσκευές παρακολούθησης φυσικής κατάστασης.

«Οι περισσότεροι άνθρωποι έχουν πάνω τους προσωπικές ψηφιακές συσκευές, όπως smartphones και smartwatches, που καταγράφουν καθημερινά δεδομένα που θα μπορούσαν να ενημερώσουν την ψυχιατρική θεραπεία. Στόχος μας ήταν να χρησιμοποιήσουμε αυτά τα δεδομένα για να εντοπίσουμε πότε οι συμμετέχοντες στη μελέτη που διαγνώστηκαν με διπολική διαταραχή παρουσίαζαν επεισόδια εναλλαγής διάθεσης», είπε η συγγραφέας Jessica Lipschitz, PhD, ερευνήτρια στο Τμήμα Ψυχιατρικής του Brigham.

«Στο μέλλον, ελπίζουμε ότι αλγόριθμοι μηχανικής μάθησης όπως ο δικός μας θα μπορούσαν να βοηθήσουν τις ομάδες θεραπείας των ασθενών να ανταποκρίνονται γρήγορα σε επεισόδια, προκειμένου να περιορίσουν τον αρνητικό αντίκτυπο».

Η διπολική διαταραχή είναι μια χρόνια ψυχιατρική διαταραχή που χαρακτηρίζεται από ακραίες εναλλαγές της διάθεσης, συμπεριλαμβανομένης της κατάθλιψης, της μανίας και της υπομανίας που ακολουθούνται από περιόδους ύφεσης.

Ο εντοπισμός και η θεραπεία νέων και αδιάκοπων επεισοδίων διάθεσης είναι απαραίτητη για τον περιορισμό της επίδρασης της διπολικής διαταραχής στη ζωή των ασθενών.

Ενώ προηγούμενες έρευνες έχουν δείξει ότι οι προσωπικές ψηφιακές συσκευές μπορούν να ανιχνεύσουν με ακρίβεια επεισόδια διάθεσης, προηγούμενες μελέτες δεν είχαν χρησιμοποιήσει μεθόδους σχεδιασμένες για ευρεία εφαρμογή σε κλινικά περιβάλλοντα.

Ως επιστήμονας υλοποίησης, η Lipschitz και οι συνάδελφοί της επικεντρώθηκαν στη χρήση μεθόδων που θα μπορούσαν να εφαρμοστούν ευρέως στην κλινική πράξη. Συγκεκριμένα, χρησιμοποίησαν εμπορικά διαθέσιμες προσωπικές ψηφιακές συσκευές, περιορισμένο φιλτράρισμα δεδομένων και εντελώς παθητικά και μη επεμβατικά δεδομένα.

Εφαρμόζοντας έναν νέο τύπο αλγόριθμου μηχανικής μάθησης, κατάφεραν να ανιχνεύσουν κλινικά σημαντικά συμπτώματα κατάθλιψης με ακρίβεια 80,1% και κλινικά σημαντικά συμπτώματα μανίας με ακρίβεια 89,1%.

Οι ερευνητές σημειώνουν ότι, «συνολικά, τα αποτελέσματα μάς φέρνουν ένα βήμα πιο κοντά προς εξατομικευμένους αλγόριθμους κατάλληλους για τον πλήρη πληθυσμό των ασθενών, παρά μόνο αυτούς με υψηλή συμμόρφωση, πρόσβαση σε εξειδικευμένες συσκευές ή προθυμία να μοιραστούν επεμβατικά δεδομένα». 

Απολαμβάνετε το περιεχόμενο μας? Εγγραφείτε στο newsletter μας!

Το επόμενο βήμα τους είναι να εφαρμόσουν αυτούς τους προγνωστικούς αλγόριθμους στη συνήθη φροντίδα, όπου θα μπορούσαν να χρησιμοποιηθούν για τη βελτίωση της θεραπείας της διπολικής διαταραχής, ενημερώνοντας τους κλινικούς ιατρούς όταν οι ασθενείς τους αντιμετωπίζουν καταθλιπτικά ή μανιακά επεισόδια μεταξύ προγραμματισμένων ραντεβού. Τέλος, οι ερευνητές εργάζονται για την επέκταση αυτής της εργασίας και στη μείζονα καταθλιπτική διαταραχή.