耶鲁大学的研究人员最近的一项研究表明，通过机器学习方法可以预测近期创伤幸存者的创伤后应激障碍（PTSD）症状。
机器学习在医学领域的应用研究仅有大约十年的历史，该团队通过独特的实验设计推动了这一创新工具的边界。这项研究因其较高的临床测量预测强度而成为一个重要里程碑。
“虽然许多研究通常采用横断面设计，比较PTSD患者与健康对照组或创伤暴露的健康对照组，但本研究专注于创伤发生后的前14个月内的近期创伤幸存者，”耶鲁大学富布赖特博士后研究员、该研究的第一作者兹夫·本-齐翁博士说。
据本-齐翁介绍，研究中使用的数据非常独特，这些数据是他从2015年到2020年在以色列特拉维夫苏拉斯基医学中心进行博士研究时收集的。
然后，本-齐翁招募了因潜在创伤事件（最常见的为车祸）而到达急诊科的个体。
那些在入院一个月后表现出高PTSD症状水平的患者——他们最有可能发展成慢性PTSD——在入院后的一个月、六个月和14个月进行了评估。为了监测每位患者的进展，研究人员进行了临床评估和功能性磁共振成像（fMRI）扫描，记录了大脑结构和功能。
本-齐翁带来了好消息：大多数患者在14个月的研究期间有所恢复。
在数据收集结束时，本-齐翁获得了包含171名参与者的多领域数据集，详细描述了PTSD症状严重程度（CAPS-5总分，范围从0到80）、认知功能和神经数据。
该数据集用于开发预测性机器学习模型。研究团队使用了基于连接组的预测建模技术，这是一种最初在耶鲁大学康斯特布尔实验室开发并在过去十年中变得流行的技术。
该模型通过对全脑功能连接数据（来自fMRI BOLD信号）应用10折交叉验证回归模型来预测感兴趣的行为指标，如PTSD症状。
尽管研究显示在六个月的时间点上，全脑连接与症状之间没有关联，但在一个月和14个月的时间点上，预测能力较高。
根据本-齐翁的说法，这些发现与当前关于PTSD的临床知识一致，将六个月的时间点定义为恢复过程中的脆弱和动态阶段。
在将PTSD症状分解为基于DSM-5的集群后，研究团队还注意到不同集群在不同时间点驱动预测，这表明大脑各区域与PTSD进展之间的联系。
对于谢诺斯特博士来说，这一发现有助于加深对PTSD的理解。
“我认为这有助于转变一些关于PTSD的神经生物学思考——从关注几个关键区域（如杏仁核）转向更广泛的全脑改变，”谢诺斯特写信给《耶鲁每日新闻》。“这并不是说杏仁核或其他单一区域对PTSD不重要，只是我们可能只捕捉到了其中的一部分。”
团队工作的关键方面之一是合作。本-齐翁和他的导师伊兰·哈帕兹-罗滕博士大约两年前开始与当时在谢诺斯特实验室轮转的博士生AJ西蒙及其当时的轮转导师达斯汀·谢诺斯特博士合作，以扩展他们对初始数据集的研究。
对于当时作为谢诺斯特实验室第一年轮转研究生的西蒙来说，这个项目是一个令人兴奋的新机会，可以探索机器学习模型。
“我加入是因为这是我学习基于连接组的预测建模并将其应用于具有潜在转化影响的机会，”西蒙说。
团队用了六个月的时间分析数据，并用另外六个月的时间撰写论文，之后进入了为期一年多的研究审查阶段。
展望未来，本-齐翁希望其他研究人员能尝试用新的数据集复制这项研究。
他指出，目前更多的研究人员正在发布自己独立的——有时是不一致的——研究成果，而不是专注于复制以产生更稳健的结果，从而建立在先前研究的基础上。
尽管哈帕兹-罗滕认为距离将MRI扫描用作预测性临床工具还有很长的路要走，但这项研究展示了该领域未来的前景。
“我认为这项研究展示了[基于连接组的预测建模]的能力，可以用来识别与PTSD潜在发展相关的大脑区域，并思考如何基于这些知识进行干预以预防PTSD的发展，”哈帕兹-罗滕写道。
(全文结束)
