במחקר שפורסם לאחרונה ב- eBioMedicine, קבוצת חוקרים חזתה את חומרת הסימפטומים הדיכאוניים (DSS) (עוצמת או מידת תסמיני הדיכאון שאדם חווה) באמצעות חרדה, איכות שינה ומדידות מבני המוח תוך בדיקת יכולת ההכללה של הממצאים על פני שלושה מערכי נתונים עצמאיים.
מחקר: חיזוי של חומרת תסמיני דיכאון בהתבסס על איכות שינה, חרדה ונפח חומר אפור: גישת למידת מכונה הניתנת להכללה על פני שלושה מערכי נתונים. קרדיט תמונה: WPixz/Shutterstock.com
רֶקַע
כ-25% מהאוכלוסיה בחברות מודרניות חווה תסמיני דיכאון, שעלו עם הזמן ויכולים להוביל להפרעת דיכאון מג'ורי (MDD) תוך 15 שנים. גילוי מוקדם הוא חיוני להפחתת שיעורי הדיכאון.
הפרעות שינה, במיוחד נדודי שינה, קשורות לדיכאון, אך הקשר מורכב בשל הבדלים אישיים בגנטיקה, חרדה ותגובות מתח.
דרוש מחקר נוסף כדי להבין טוב יותר את האינטראקציות בין שינה, חרדה, מבנה המוח ותסמיני דיכאון וכדי לשפר את הדיוק וההכללה של מודלים חזויים על פני אוכלוסיות מגוונות.
לגבי המחקר
מערך הנתונים של Human Connectome Project (HCP)-Young, שנרכש על ידי קונסורציום אוניברסיטת וושינגטון-אוניברסיטת מינסוטה (WU-Minn HCP), כולל מבוגרים צעירים בריאים בגילאי 22-35, לא כולל אנשים עם מצבים נוירולוגיים, פסיכיאטריים, קרדיו-וסקולריים, שימוש בסמים , או טיפולים.
במחקר נבחרו 1,101 אנשים עם הדמיית תהודה מגנטית (MRI) מלאה, איכות שינה, חרדה ותסמיני דיכאון מ-1,206 משתתפים. ניתוח משני לא כלל את אלה עם היסטוריה של דיכאון קליני. מערך הנתונים של HCP-Aging גייס מבוגרים בגילאי 36 עד מעל 100, אך בשל עיצוב שאלון ה-DSS, נכללו רק משתתפים בגילאי 36-59.
לבסוף, מערך הנתונים המשופר של Nathan Kline Institute (eNKI), מדגם מייצג של הקהילה, סיפק גם נתוני חתך ואורך עבור משתתפים בגילאי 18-59. זה אפשר לחוקרים להעריך את יכולת ההכללה של מודלים של למידת מכונה ולחזות DSS עתידי בהתבסס על מדדי שינה וחרדה בסיסיים.
אישורים אתיים עבור כל קבוצה זמינים באינטרנט, עם אישור ניתוח שניתן על ידי בית החולים האוניברסיטאי של אוניברסיטת היינריך היינה דיסלדורף.
הנתונים עובדו באמצעות טכניקות מתקדמות של הדמיה עצבית ולמידת מכונה, תוך התמקדות בנפח החומר האפור ובמנבאים נוירו-התנהגותיים. תחזיות נבדקו על מערכי נתונים עצמאיים כדי לאמת את המודלים.
ניתוחי תיווך חקרו עוד יותר את הקשרים בין איכות שינה, חרדה ו-DSS, ועזרו להבהיר כיצד גורמים מוחיים והתנהגותיים תורמים לתסמיני דיכאון בין אוכלוסיות.
תוצאות המחקר
מערך הנתונים העיקרי בו נעשה שימוש בחקירה זו, HCP-Young, כלל 1,101 משתתפים בגילאי 22-35 שנים (גיל ממוצע = 28.79 ± 3.69), עם 54.3% נשים. יש לציין כי ל-9% (103 אנשים) הייתה היסטוריה של פרקי דיכאון המבוססים על מדריך אבחון וסטטיסטי של הפרעות נפשיות, מהדורה רביעית (DSM-IV).
המחקר השתמש בשני מערכי נתונים נוספים לאימות מחוץ לקוהורט: HCP-Aging ו-eNKI. מערך הנתונים של HCP-Aging כלל 378 משתתפים בגילאי 36-59 (גיל ממוצע = 47.3 ± 7), עם 57.9% נשים. במערך הנתונים של eNKI היו 334 משתתפים עם נתוני חתך, בגילאי 18-59 (גיל ממוצע = 37 ± 13.8), ו-62% היו נשים.
בנוסף, ל-66 משתתפים מ-eNKI היו שיאים אורכיים, עם פער של 1-5 שנים בין שני הביקורים שלהם. בין אלה, 26 משתתפים קיבלו טיפול נוירופידבק בין ביקוריהם, עם פער של 653 ימים בממוצע, בעוד של-40 משתתפים ללא טיפול היה פער של 847 ימים.
במערך הנתונים של HCP-Young, מודלים של למידת מכונה (ML) המשתמשים באיכות שינה יכולים לחזות DSS (r = 0.43, R2 = 0.18, rMSE = 2.73). הוספת חרדה לאיכות השינה שיפרה את התחזית באופן משמעותי (r = 0.67, R2 = 0.45, rMSE = 2.25), בעוד שהוספת נפח החומר האפור (GMV) לא שיפרה את התוצאות.
המחקר לא מצא יתירות תכונה בין ציוני איכות השינה, ולמידת אנסמבל (LS-boost) נבחרה אוטומטית עבור כל הדגמים. הסרת משתתפים עם היסטוריה של דיכאון הניבה תוצאות חזקות דומות (r = 0.61, R2 = 0.37, rMSE = 2.18).
מרכיבים הקשורים לשינה כגון הפרעות בתפקוד בשעות היום, הפרעות שינה ואיכות שינה סובייקטיבית היו הגורמים החזויים ביותר של DSS. חשוב לציין, תחזיות הפוכות (DSS מנבא איכות שינה) היו חלשות יותר, מה שמצביע על כך שאיכות השינה היא מנבא טוב יותר של DSS מאשר להיפך.
המחקר גם שיחזר את ממצאיו במערך הנתונים של HCP-Aging ו-eNKI, והדגים את יכולת ההכללה של מודלים של ML שהוכשרו על מערך הנתונים של HCP-Young.
במערך הנתונים של HCP-Aging, איכות השינה חזתה DSS (r = 0.57, R2 = 0.27, rMSE = 2.64), כאשר תוספת של חרדה משפרת עוד יותר את החיזוי (r = 0.72, R2 = 0.50, rMSE = 2.19). תוצאות דומות נמצאו במערך הנתונים של eNKI.
בתת המדגם האורך של eNKI, מודלים של ML חזו DSS עתידי בהתבסס על איכות השינה הבסיסית וחרדה, אך נראה שטיפול נוירופידבק מפחית את יכולת הניבוי הזו. זה מצביע על כך שהתערבויות כמו טיפול בנוירופידבק עשויות לשנות את הקשר בין איכות השינה ל-DSS לאורך זמן.
מסקנות
לסיכום, הממצאים הוכיחו שאיכות השינה יכולה לחזות DSS בצורה מהימנה על פני שלושה מערכי נתונים עצמאיים. הוספת חרדה למודל שיפרה עוד יותר את דיוק הניבוי. עם זאת, מדידות מוח מבניות ותפקודיות לא ניבאו באופן משמעותי DSS או תיווכו את הקשר בין איכות השינה ל-DSS.
מודלים של ML הניבו תוצאות דומות על פני מערכי נתונים עצמאיים, המדגישים את יכולת ההכללה של הגישה.
בתת מדגם אורכי, המודלים גם חזו בהצלחה DSS עתידי בהתבסס על איכות השינה הבסיסית וחרדה. ניתוחים משלימים אישרו את החוסן של ממצאים אלה, תוך התחשבות במשתנים כגון היסטוריית דיכאון, מבלבלים הקשורים לשינה ותפקידה המתווך של החרדה.
