Towards Outcome-Driven Patient Subgroups: A Machine Learning Analysis Across Six Depression Treatment Studies

要約

大うつ病性障害 (MDD) は不均一な状態です。
複数の根底にある神経生物学的基質は、治療反応の変動性に関連している可能性があります。
この変動性の原因を理解し、結果を予測することは、とらえどころのないものでした。
機械学習は、MDD の治療反応を予測する上で有望であることが示されていますが、1 つの制限は、機械学習モデルの臨床的解釈可能性の欠如です。
ディファレンシャル プロトタイプ ニューラル ネットワーク (DPNN) を使用して、うつ病の薬理学的治療に関する 6 つの臨床試験 (合計 n = 5438) のデータを分析しました。
差別的な治療反応の確率を生成します。
寛解を分類し、5 つの第一選択の単剤療法と 3 つの併用療法の個々の寛解確率を出力するモデルは、臨床データと人口統計データを使用してトレーニングされました。
モデルの有効性と臨床的有用性は、それぞれ曲線下面積 (AUC) とモデルに基づく治療によるサンプル寛解率の期待される改善に基づいて測定されました。
事後分析により、トレーニング中に学習した患者のプロトタイプに基づいてクラスター (サブグループ) が生成されました。
プロトタイプは、機能分布と治療固有の結果の違いを評価することにより、解釈可能性について評価されました。
3 プロトタイプ モデルは、0.66 の AUC を達成し、サンプル寛解率と比較して集団寛解率の絶対的な改善が期待されました。
臨床的に解釈可能な治療に関連する 3 つの患者クラスターを特定しました。
機械学習モデルを使用して、治療に関連する新しい患者プロファイルを生成することが可能です。
そうすることで、うつ病の精密医療が改善される可能性があります。
注: このモデルは現在、アクティブな臨床試験の対象ではなく、臨床使用を意図していません。

要約(オリジナル)

Major depressive disorder (MDD) is a heterogeneous condition; multiple underlying neurobiological substrates could be associated with treatment response variability. Understanding the sources of this variability and predicting outcomes has been elusive. Machine learning has shown promise in predicting treatment response in MDD, but one limitation has been the lack of clinical interpretability of machine learning models. We analyzed data from six clinical trials of pharmacological treatment for depression (total n = 5438) using the Differential Prototypes Neural Network (DPNN), a neural network model that derives patient prototypes which can be used to derive treatment-relevant patient clusters while learning to generate probabilities for differential treatment response. A model classifying remission and outputting individual remission probabilities for five first-line monotherapies and three combination treatments was trained using clinical and demographic data. Model validity and clinical utility were measured based on area under the curve (AUC) and expected improvement in sample remission rate with model-guided treatment, respectively. Post-hoc analyses yielded clusters (subgroups) based on patient prototypes learned during training. Prototypes were evaluated for interpretability by assessing differences in feature distributions and treatment-specific outcomes. A 3-prototype model achieved an AUC of 0.66 and an expected absolute improvement in population remission rate compared to the sample remission rate. We identified three treatment-relevant patient clusters which were clinically interpretable. It is possible to produce novel treatment-relevant patient profiles using machine learning models; doing so may improve precision medicine for depression. Note: This model is not currently the subject of any active clinical trials and is not intended for clinical use.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google