ترجمه فارسی مقاله پیش‌بینی کارآزمایی متقابل پاسخ درمانی به تحریک جریان مستقیم ترانس کرانیال در بیماران مبتلا به اختلال افسردگی اساسی

چکیده

Machine-learning (ML) classification may offer a promising approach for treatment response prediction in patients with major depressive disorder (MDD) undergoing non-invasive brain stimulation. This analysis aims to develop and validate such classification models based on easily attainable sociodemographic and clinical information across two randomized controlled trials on transcranial direct-current stimulation (tDCS) in MDD. Using data from 246 patients with MDD from the randomized-controlled DepressionDC and ELECT-TDCS trials, we employed an ensemble machine learning strategy to predict treatment response to either active tDCS or sham tDCS/placebo, defined as ≥ 50% reduction in the Montgomery-Åsberg Depression Rating Scale at 6 weeks. Separate models for active tDCS and sham/placebo were developed in each trial and evaluated for external validity across trials and for treatment specificity across modalities. Additionally, models with above-chance detection rates were associated with long-term outcomes to assess their clinical validity. In the DepressionDC trial, models achieved a balanced accuracy of 63.5% for active tDCS and 62.5% for sham tDCS in predicting treatment responders. The tDCS model significantly predicted MADRS scores at the 18-week follow-up visit (F(1,60) = 4.53, pFDR = .037, R2 = 0.069). Baseline self-rated depression was consistently ranked as the most informative feature. However, response prediction in the ELECT-TDCS trial and across trials was not successful. Our findings indicate that ML-based models have the potential to identify responders to active and sham tDCS treatments in patients with MDD. However, to establish their clinical utility, they require further refinement and external validation in larger samples and with more features.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی یادگیری ماشین (ML) ممکن است یک رویکرد امیدوار کننده برای پیش بینی پاسخ درمانی در بیماران مبتلا به اختلال افسردگی اساسی (MDD) که تحت تحریک مغز غیر تهاجمی قرار دارند ، ارائه دهد.این تجزیه و تحلیل با هدف توسعه و اعتبارسنجی چنین مدل های طبقه بندی بر اساس اطلاعات اجتماعی و بالینی به راحتی قابل دستیابی در دو کارآزمایی کنترل شده تصادفی بر روی تحریک جریان مستقیم ترانس کرانیال (TDC) در MDD انجام شده است.با استفاده از داده های 246 بیمار مبتلا به MDD از کارآزمایی های کنترل شده کنترل شده تصادفی و آزمایشات Elect-TDCS ، ما از یک استراتژی یادگیری ماشین گروه برای پیش بینی پاسخ درمانی به TDC های فعال یا TDC/دارونما استفاده کردیم ، که به عنوان 50 ٪ کاهش در مونتگومری تعریف شده است.مقیاس رتبه بندی افسردگی Åsberg در 6 هفته.مدل های جداگانه برای TDC های فعال و شم/دارونما در هر آزمایش ساخته شده و برای اعتبار خارجی در سراسر آزمایشات و برای ویژگی های درمانی در بین روشها ارزیابی شده است.علاوه بر این ، مدل هایی با میزان تشخیص فرصت فوق با نتایج بلند مدت برای ارزیابی اعتبار بالینی آنها همراه بودند.در کارآزمایی DempressionDC ، مدل ها برای TDC های فعال و 62.5 ٪ برای TDC های SHAM در پیش بینی پاسخ دهندگان درمان ، به دقت متعادل 63.5 ٪ دست یافتند.مدل TDCS به طور قابل توجهی نمرات MADRS را در بازدید از 18 هفته پیگیری (F (1،60) = 4.53 ، PFDR = 0.037 ، R2 = 0.069) پیش بینی کرد.افسردگی خود رأی پایه به طور مداوم به عنوان آموزنده ترین ویژگی رتبه بندی می شد.با این حال ، پیش بینی پاسخ در محاکمه Elect-TDCS و در طول محاکمات موفقیت آمیز نبود.یافته های ما نشان می دهد که مدل های مبتنی بر ML پتانسیل شناسایی پاسخ دهندگان به درمان های فعال و شم TDCS را در بیماران مبتلا به MDD دارند.با این حال ، برای ایجاد ابزار بالینی خود ، آنها نیاز به پالایش بیشتر و اعتبار سنجی خارجی در نمونه های بزرگتر و با ویژگی های بیشتر دارند.