コネクトベースのモデルは大うつ病性障害の初期症状改善を予測できる

Connectome-based models can predict early symptom improvement in major depressive disorder.

• Yumeng Ju
• Corey Horien
• Wentao Chen
• Weilong Guo
• Xiaowen Lu
• Jinrong Sun
• Qiangli Dong
• Bangshan Liu
• Jin Liu
• Danfeng Yan
• Mi Wang
• Liang Zhang
• Hua Guo
• Futao Zhao
• Yan Zhang
• Xilin Shen
• R Todd Constable
• Lingjiang Li

抄録

背景:

大うつ病性障害（MDD）は衰弱性の精神疾患であり、患者の50％以上が第一選択薬では十分な治療効果を得られない。抗うつ薬の治療成績を予測する信頼性の高いモデルが、臨床的な意思決定の指針となることが必要とされている。我々は、fMRI安静時機能接続パターンに基づく機械学習アプローチを用いて、MDD患者の治療改善予測モデルを構築することを目的とした。

BACKGROUND: Major depressive disorder (MDD) is a debilitating mental illness with more than 50% of patients not achieving an adequate response using first-line treatments. Reliable models that predict antidepressant treatment outcome are needed to guide clinical decision making. We aimed to build predictive models of treatment improvement for MDD patients using machine learning approaches based on fMRI resting-state functional connectivity patterns.

方法:

募集時に未治療の大うつ病患者 192 例から安静時 fMRI データを取得し，ベースライン時のうつ病の重症度を Hamilton Rating Scale for Depression（HAMD）で評価した．患者は最初のMRスキャン後に薬物療法を受け、6ヶ月間HAMDにより症状をモニターした。ベースライン時の安静時連結性から1ヵ月後のHAMDスコアの改善を予測するために、連結性に基づく予測モデリング（CPM）アルゴリズムを実装した。さらに、モデル構築の段階で、すべての離脱反復からの特徴を選択的に組み合わせることで、異なる時点で重複しない被験者のサンプルにおけるHAMDスコアの改善を予測するために一般化できるコンセンサスモデルを作成した。

METHODS: Resting-state fMRI data were acquired from 192 untreated MDD patients at recruitment, and their severity of depression was assessed by Hamilton Rating Scale for Depression (HAMD) at baseline. Patients were given medication after the initial MR scan and their symptoms were monitored through HAMD for a period of six months. Connectome-based predictive modeling (CPM) algorithms were implemented to predict the improvement in HAMD score at one month from resting-state connectivity at baseline. Additionally, by selectively combining the features from all leave-one-out iterations in the model building stage, we created a consensus model that could be generalized to predict improvement in HAMD score in samples of non-overlapping subjects at different time points.

結果:

ベースラインの機能的接続性を用いて、CPMは1ヵ月後のうつ病の症状改善を予測することに成功した。さらに、コンセンサスとなる「MDD改善モデル」は、抗うつ薬治療後2週間、1ヶ月、2ヶ月、3ヶ月の時点で、新規の患者の症状改善を予測することができた。

RESULTS: Using baseline functional connectivity, CPM successfully predicted symptom improvement of depression at one month. In addition, a consensus 'MDD improvement model' could predict symptom improvement for novel individuals at the two-week, one-month, two-month and three-month time points after antidepressant treatment.

結論:

治療前の個々の脳機能ネットワークには、治療成績の予測因子を構築するための意味のある情報が含まれている。識別されたMDD改善ネットワークは、抗うつ薬治療の個々の治療効果を予測するための適切なバイオマーカーとなる可能性がある。これらのモデルを臨床で使用するためには、他の大規模データセットを用いた複製と検証が次の重要なステップとなる。

CONCLUSIONS: Individual pre-treatment functional brain networks contain meaningful information that can be gleaned to build predictors of treatment outcome. The identified MDD improvement networks could be an appropriate biomarker for predicting individual therapeutic response of antidepressant treatment. Replication and validation using other large datasets will be a key next step before these models can be used in clinical practice.

Copyright © 2020 Elsevier B.V. All rights reserved.