抑郁癥是一種非常常見的精神疾病，它會深刻影響一個人的健康。雖然有很多藥物可以用來治療抑郁癥，但很多人對他們使用的第一種甚至第二種藥物的反應都一般。因此，醫生必須經常采取反復試驗的方法，這意味著可能需要數月甚至數年才能找到有效的藥物。

為了尋找更好的方法，一些研究人員正在探索使用機器學習來預測哪些患者會對特定的抗抑郁藥物產生反應。在9月12日發表在《IEEE生物醫學工程學報》上的一項研究中，一個團隊描述了一種機器學習算法，該算法可以分析人們大腦的電活動，并預測抗抑郁藥舍曲林（Sertraline）的反應，準確率為83.7%。

紐約理工學院電氣與計算機工程系助理教授Maryam Ravan與了這項研究。她指出，目前為抑郁癥患者開藥的方法效率很低。

“由于缺乏生物標記物，這一醫學分支治療方法完全依賴于個人交流和患者報告，”Ravan說，“由于效率低下問題，我們小組決定探索基于大腦電活動模式的機器學習分析的定量方法是否可以提供更準確的臨床指導。通過我們和其他人的數據表明，情況確實有了改觀。”

在研究中，Ravan和她的同事分析了抑郁癥患者接受治療前的腦電圖（EEG）數據。腦電圖是一種相對簡單的測試，在這種測試中，放置在頭皮上的電極可以記錄大腦的電模式。總的來說，研究人員分析了228名患有嚴重抑郁癥的參與者的預處理腦電圖數據，這些參與者被隨機分配到安慰劑組或舍曲林治療組，舍曲林是一種常用的5-羥色胺再攝取抑制劑，用于治療抑郁癥。

然后，研究人員應用機器學習算法來確定誰對舍曲林和安慰劑的治療有反應。許多研究都廣泛證明，一些患者的健康狀況可以在接受假治療后得到改善。

Ravan解釋道：“［安慰劑效應］可能基于患者的信念、對治療團隊的信任、簡單的時間推移，或者實際上可能有反映大腦活動模式的生物基礎，這可能是可測量的。”

她指出，更好地理解安慰劑效應可能會為那些從中受益的人帶來更好臨床治療方法。事實上，研究結果表明，機器學習算法以及預測對舍曲林的反應（準確率為83.7%）同樣可以檢測到對安慰劑的反應（精確率為83%）。

不過，Ravan警告說，機器學習方法需要大量數據集，以確保結果能夠轉化為現實世界所應用，而這項研究是基于相對較小的樣本量。“［但是］如果我們的算法真的像我們認為的那樣準確，那么在現實世界中的應用將大大提高精神病治療的效率和有效性，”她如此表示，并指出了便攜式腦電圖設備目前廣泛可用，可以部署在服務不足的地區。

麥克馬斯特大學精神病學和行為神經科學系副教授Gary Hasey也參與了這項研究，他表示，該團隊目前正通過一家名為“數字醫學專家”（Digital Medical Experts，DME）的初創公司，努力實現其方法的商業化和更廣泛的操作性。

“DME在美國、加拿大和澳大利亞擁有精神病機器學習技術專利，”他說，“我們已經建立了遠程收集腦電圖數據所需的基礎設施，并正在積極尋求進一步的投資。”

該團隊還一直在探索使用機器學習來識別具有自殺意念的個人。值得注意的是，許多死于自殺的人在被問及自殺意念時會否認存在自殺意念。

Ravan說：“我們小組對68名被診斷患有嚴重抑郁癥的受試者進行了一項研究，通過對EEG信號的機器學習分析，我們能夠以70%的準確率識別出自殺意念的存在。我們目前正在使用更大的數據集進一步測試和訓練這些算法。