机器学习可以帮助心理健康诊断

机器学习这一话题早已远远超出了它的起源——计算机科学，渗透到了众多的公共和私营行业以及各种不同的学术学科。尽管机器学习技术和人工智能（AI）这两个术语经常可以互换使用，但其实前者通常被认为是更广泛的人工智能（AI）领域的一个子集。

这些研究结果普遍支持机器学习在预测治疗结果方面的有效性，综合成功率为82%（P 《 .05），并表示使用多种数据类型的算法最为有效。当专门对MRI数据进行决策树训练，对初始抗抑郁治疗8周后的缓解率进行分类时，发现MRI可以成功识别出一部分可能对初始抗抑郁治疗无反应的患者。

点击阅读全文

研究人员检查了问卷调查的回答，详细的临床访谈以及来自参与PRONIA研究的300名患者队列的结构磁共振成像数据，PRONIA研究是由欧盟资助的在七个欧洲研究中心进行的队列研究。

（健康界，读芯术，1号机器人网，互联网分析沙龙网综合整理）

2015年，一组研究人员共同开发出了一种人工智能模型，它可以通过分析年轻人的说话方式准确预测出这些人有没有患上某种精神病，或者精神分裂症。这种智能模式主要是侧重于口语化表达的研究，比如短句，疑问词，或者对“这个”“那个”等词语的使用，以及对一词多义的理解。

Lalousis指出：“在这项研究中，我们已经展示了如何使用综合了临床，神经认知和神经生物学因素的复杂机器学习算法，可以帮助我们理解精神疾病的复杂性。”

医疗保健行业内机器学习应用的目标一般是增强临床理解与改善患者护理。具体来说，越来越多的研究都将重点放在使用机器学习来改善患者的筛查、诊断、临床决策和特定治疗结果上。

机器学习在抑郁症诊疗中最突出、普遍的应用之一，就是其在药物治疗结果上的使用。事实上，检索在抑郁症诊疗中应用机器学习的期刊你就会发现，大部分的论文都将重点放在了精神药物治疗上。

其中一项著名的研究结合了之前9项抑郁症研究的临床数据，利用机器学习对相关症状进行聚类，随后建立了一个机器学习模型来评估几种主要抗抑郁药物的疗效。结果发现了三组症状，并发现研究涉及的几种抗抑郁药的疗效存在统计学上的显著差异。这表明医生在给抑郁症患者开药时，应该根据患者所表现的具体症状对症下药。

例如，诊断为精神病的临床医生会经常将抑郁症视为继发性疾病，这会影响到更侧重于精神病症状（例如幻觉或妄想）的治疗决策。

目前机器学习研究中最普遍的诊断群体也是心理健康疾病中最普遍的病症——抑郁症。据估计，仅在美国，2017年就有超过1700万成年人至少有过一次严重的抑郁症发作经历，这个数字占总人口的比例高达7%。

关于使用机器学习预测单相和双相抑郁症治疗结果的首个荟萃分析评估了包括心理治疗在内所有形式的抑郁症治疗数据。在对639项潜在研究进行初步抽象分析后，研究人员针对其中的75项研究进行了全文通览，发现其中的26项研究是在利用机器学习算法来预测抑郁症治疗结果，符合本研究纳入标准。

医疗保健业就是尝试将运用机器学习技术的领域之一。目前，医疗行业中应用最广泛的人工智能技术就是机器学习，它在改善患者身体健康以及心理健康等方面都有所涉足。

主要作者巴黎亚历山德罗斯·拉路西斯（Paris Alexandros Lalousis）解释说：“大多数患者都有合并症，因此精神病患者也有抑郁症状，反之亦然。”