在這28項(xiàng)研究中，大多數(shù)僅納入首次發(fā)病的精神病患者（FEP），有10項(xiàng)納入了慢性SCZ患者，其余研究則同時(shí)包括了FEP和SCZ患者。另外，絕大部分研究中患者接受第二代抗精神病藥物（SGAs）治療，僅有2項(xiàng)研究只采用第一代抗精神病藥物（FGAs），有4項(xiàng)研究采用了兩種類(lèi)型的藥物。

在機(jī)器學(xué)習(xí)模型的構(gòu)建上，28項(xiàng)研究使用了不同的預(yù)測(cè)因子和機(jī)器學(xué)習(xí)方法來(lái)預(yù)測(cè)精神病患者的治療效果。

在使用單模態(tài)數(shù)據(jù)的23項(xiàng)研究中，大部分將患者大腦的結(jié)構(gòu)和功能特征作為機(jī)器學(xué)習(xí)模型的預(yù)測(cè)因子，有8項(xiàng)研究將患者臨床和社會(huì)人口學(xué)數(shù)據(jù)作為模型的輸入特征。而使用多模態(tài)數(shù)據(jù)的5項(xiàng)研究則是同時(shí)將多種不同類(lèi)型的數(shù)據(jù)作為機(jī)器學(xué)習(xí)模型的預(yù)測(cè)因子，例如Ambrosen等人的研究同時(shí)使用了患者的結(jié)構(gòu)磁共振成像（sMRI）、腦電圖以及認(rèn)知數(shù)據(jù)來(lái)對(duì)患者的治療效果進(jìn)行預(yù)測(cè)。

另外，這些研究所預(yù)測(cè)的臨床治療效果的衡量標(biāo)準(zhǔn)并不一樣。絕大部分研究使用精神病癥狀嚴(yán)重程度量表評(píng)分來(lái)衡量治療效果，例如陽(yáng)性和陰性綜合征量表以及簡(jiǎn)明精神病評(píng)定量表。其他研究則基于復(fù)雜的臨床和社會(huì)學(xué)特征使用了評(píng)估特定癥狀和功能標(biāo)準(zhǔn)的其他量表來(lái)衡量治療效果。

由此可見(jiàn)很難整合不同研究的結(jié)果從而得出關(guān)于這些研究之間相關(guān)性的結(jié)論。

所有研究使用的機(jī)器學(xué)習(xí)方法可以分為兩類(lèi)：分類(lèi)算法和回歸算法，分類(lèi)算法能預(yù)測(cè)患者的預(yù)后類(lèi)別（好或壞），回歸算法則會(huì)得出代表患者治療效果的一個(gè)連續(xù)值。其中有的研究還對(duì)比了不同算法的好壞，例如有研究發(fā)現(xiàn)支持向量回歸（SVR）相對(duì)于其他算法有更好的準(zhǔn)確性。

那么對(duì)于單模態(tài)模型，使用不同特征的模型表現(xiàn)如何呢？

使用患者sMRI特征的3項(xiàng)研究分別將丘腦形態(tài)、顳上回灰質(zhì)體積以及大腦皮層厚度作為機(jī)器學(xué)習(xí)模型的輸入數(shù)據(jù)，用于預(yù)測(cè)SCZ患者的治療效果，然后將預(yù)測(cè)的效果與通過(guò)精神病癥狀嚴(yán)重程度量表評(píng)分所評(píng)估的治療效果進(jìn)行比較來(lái)衡量模型的準(zhǔn)確性。結(jié)果表明大腦結(jié)構(gòu)影像學(xué)數(shù)據(jù)對(duì)于預(yù)測(cè)早期SCZ患者的治療效果有很高的準(zhǔn)確性，其中丘腦形態(tài)預(yù)測(cè)的準(zhǔn)確度達(dá)到75%。

有7項(xiàng)研究將患者fMRI特征作為預(yù)測(cè)因子，其中6項(xiàng)使用靜息狀態(tài)下患者的大腦活動(dòng)數(shù)據(jù)，還有一項(xiàng)則使用患者在任務(wù)狀態(tài)下的大腦活動(dòng)數(shù)據(jù)。使用靜息狀態(tài)大腦活動(dòng)數(shù)據(jù)的一項(xiàng)研究表明海馬體與島葉-頂葉皮層、額上回、中央前回以及中央后回之間的功能連接預(yù)測(cè)FEP患者治療效果的準(zhǔn)確性達(dá)到89%。其余研究也都證明了大腦不同區(qū)域之間的功能連接對(duì)于預(yù)測(cè)患者的治療效果有很高的準(zhǔn)確性。

還有2項(xiàng)使用除了上述兩種神經(jīng)影像特征之外的其他神經(jīng)影像特征的研究，例如正電子放射斷層成像（PET）和質(zhì)子磁共振波譜（proton MRS）。這兩項(xiàng)研究分別表明紋狀體生物標(biāo)志物以及前額葉皮質(zhì)中的N-乙酰天冬氨酸和含膽堿化合與肌酸和磷酸肌酸的比率是很好的抗精神病藥物治療反應(yīng)的預(yù)測(cè)因子。

另外一些研究使用了非影像學(xué)特征來(lái)預(yù)測(cè)患者治療效果。其中3項(xiàng)使用腦電圖特征的研究，其招募的患者均為出現(xiàn)耐藥的慢性SCZ患者，這3項(xiàng)研究的結(jié)果表明腦電圖特征對(duì)于耐藥慢性SCZ患者是一個(gè)不錯(cuò)的治療效果預(yù)測(cè)因子（準(zhǔn)確性分別為85%、95.83%、89.9%）。

最后，還有一部分研究利用患者的臨床和社會(huì)人口學(xué)特征來(lái)預(yù)測(cè)患者的治療效果，其中的大多數(shù)研究結(jié)果表明患者精神病癥狀的基線嚴(yán)重程度以及并發(fā)癥可以預(yù)測(cè)患者接受藥物治療的效果，這意味著可由患者自行報(bào)告的信息也能提供足夠的預(yù)測(cè)性能。有較好預(yù)測(cè)性能的信息包括長(zhǎng)效抗精神病藥物的使用、發(fā)病年齡、社交能力、基線病情嚴(yán)重程度等。

接著，Paolo團(tuán)隊(duì)回顧了5項(xiàng)預(yù)測(cè)SCZ患者治療效果的多模態(tài)機(jī)器學(xué)習(xí)研究。不同于單模態(tài)模型，這些研究使用多種不同類(lèi)型的數(shù)據(jù)作為治療效果的預(yù)測(cè)因子，其中有的研究還比較了單模態(tài)數(shù)據(jù)所構(gòu)建的模型之間的性能差異，發(fā)現(xiàn)與遺傳和sMRI特征相比，fMRI對(duì)于準(zhǔn)確地預(yù)測(cè)SCZ患者的治療效果有更大的貢獻(xiàn)，并且與單模態(tài)模型相比，多模態(tài)模型有著更高的預(yù)測(cè)準(zhǔn)確性。

總的來(lái)講，Paolo團(tuán)隊(duì)回顧28項(xiàng)研究中有一些存在局限性，例如樣本量太少以及缺少重復(fù)驗(yàn)證，這些局限性可能使得研究結(jié)論并不具有普遍性，這表明現(xiàn)階段準(zhǔn)確預(yù)測(cè)精神病患者的預(yù)后從而促進(jìn)個(gè)體化治療仍然是該領(lǐng)域的一個(gè)難點(diǎn)。但上述的研究也同樣讓我們看到了機(jī)器學(xué)習(xí)方法在預(yù)測(cè)精神病患者預(yù)后中的應(yīng)用前景。

參考資料：

[1] Brundtland GH. From the World Health Organization. Mental health: new understanding, new hope. JAMA. 2001;286(19):2391. doi:10.1001/jama.286.19.2391

[2] McCutcheon RA, Reis Marques T, Howes OD. Schizophrenia-An Overview. JAMA Psychiatry. 2020;77(2):201-210. doi:10.1001/jamapsychiatry.2019.3360

[3] Schizophrenia Working Group of the Psychiatric Genomics Consortium. Biological insights from 108 schizophrenia-associated genetic loci. Nature. 2014;511(7510):421-427. doi:10.1038/nature13595

[4] Goff DC. The Pharmacologic Treatment of Schizophrenia-2021. JAMA. 2021;325(2):175-176. doi:10.1001/jama.2020.19048

[5] Correll CU, Martin A, Patel C, et al. Systematic literature review of schizophrenia clinical practice guidelines on acute and maintenance management with antipsychotics. Schizophrenia (Heidelb). 2022;8(1):5. Published 2022 Feb 24. doi:10.1038/s41537-021-00192-x

[6] Rutledge RB, Chekroud AM, Huys QJ. Machine learning and big data in psychiatry: toward clinical applications. Curr Opin Neurobiol. 2019;55:152-159. doi:10.1016/j.conb.2019.02.006

[7] Sajjadian M, Lam RW, Milev R, et al. Machine learning in the prediction of depression treatment outcomes: a systematic review and meta-analysis. Psychol Med. 2021;51(16):2742-2751. doi:10.1017/S0033291721003871

[8] Del Fabro L, Bondi E, Serio F, Maggioni E, D'Agostino A, Brambilla P. Machine learning methods to predict outcomes of pharmacological treatment in psychosis. Transl Psychiatry. 2023;13(1):75. Published 2023 Mar 2. doi:10.1038/s41398-023-02371-z