Per la prima volta i medici hanno dimostrato che misurare i cambiamenti nella frequenza cardiaca nelle 24 ore può indicare in modo affidabile se qualcuno è depresso o meno.
In termini pratici, questo può fornire ai medici un “allarme tempestivo” oggettivo di potenziale depressione, nonché un’indicazione rapida se il trattamento sta funzionando o meno, aprendo così la strada a un trattamento più rapido e reattivo.
Presentando i risultati di questo studio pilota al congresso virtuale ECNP, la ricercatrice capo, la dott.ssa Carmen Schiweck (Goethe University, Francoforte) ha dichiarato: “In parole povere, il nostro studio pilota suggerisce che misurando semplicemente la frequenza cardiaca per 24 ore, possiamo dire con il 90% accuratezza se una persona è attualmente depressa o no ”.
Gli scienziati sapevano che la frequenza cardiaca è collegata alla depressione, ma fino ad ora non sono stati in grado di capire esattamente come l’una sia correlata all’altra.
In parte questo è dovuto al fatto che mentre la frequenza cardiaca può fluttuare rapidamente, la depressione arriva e scompare per un periodo più lungo, con la maggior parte dei trattamenti che richiedono mesi per avere effetto. Ciò rende difficile vedere se i cambiamenti nel proprio stato depressivo potrebbero essere correlati alla frequenza cardiaca.
“Due elementi innovativi in questo studio sono stati la registrazione continua della frequenza cardiaca per diversi giorni e notti e l’uso della nuova ketamina antidepressiva , che può alleviare la depressione più o meno istantaneamente.
Questo ci ha permesso di vedere che la frequenza cardiaca media a riposo può cambiare improvvisamente per riflettere il cambiamento di umore ”, ha detto Carmen Schiweck.
La ketamina ha una storia sia come anestetico che come droga da party (una droga d’abuso).
Tuttavia nel dicembre dello scorso anno è stata autorizzata a curare la depressione maggiore in Europa, dopo essere stata introdotta negli Stati Uniti pochi mesi prima.
Gli antidepressivi tradizionali possono richiedere settimane per mostrare un effetto, al contrario la ketamina agisce rapidamente, con risultati spesso visibili in pochi minuti.
Come ha detto Carmen Schiweck “Sapevamo che stava succedendo qualcosa per collegare la frequenza cardiaca ai disturbi psichiatrici, ma non sapevamo cosa fosse e se avrebbe avuto rilevanza clinica. In passato i ricercatori avevano dimostrato che i pazienti depressi avevano una frequenza cardiaca costantemente più alta e una minore variabilità della frequenza cardiaca, ma a causa del tempo necessario per curare la depressione era stato difficile seguire e correlare qualsiasi miglioramento alla frequenza cardiaca.
Ma quando abbiamo capito che la ketamina porta a un rapido miglioramento dell’umore, abbiamo capito che potevamo essere in grado di usarla per capire il legame tra depressione e battito cardiaco ”.
Il dottor Schiweck ha svolto questo lavoro nel gruppo di ricerca sul corpo e mente a KU Leuven, Belgio, con il dottor Stephan Claes come ricercatore principale.
Il team ha lavorato con un piccolo campione di 16 pazienti con Disturbo Depressivo Maggiore, nessuno dei quali aveva risposto al trattamento normale, e 16 controlli sani.
Hanno misurato i loro battiti cardiaci per 4 giorni e 3 notti, quindi ai volontari con depressione è stato somministrato un trattamento con ketamina o un placebo.
Mediavine
“Abbiamo scoperto che quelli con depressione avevano sia una frequenza cardiaca di base più alta, sia una variazione della frequenza cardiaca inferiore, come ci aspettavamo. In media abbiamo visto che i pazienti depressi avevano una frequenza cardiaca che era di circa 10-15 battiti al minuto più alta rispetto ai controlli.
Dopo il trattamento, abbiamo nuovamente misurato la frequenza cardiaca e abbiamo scoperto che sia la frequenza che la fluttuazione del battito cardiaco dei pazienti precedentemente depressi erano cambiate per essere più vicine a quelle trovate nei controlli ”.
La scoperta più sorprendente è stata che gli scienziati sono stati in grado di utilizzare la frequenza cardiaca nelle 24 ore come “biomarcatore” per la depressione. La frequenza cardiaca è stata misurata utilizzando un mini-ECG indossabile.
I dati sono stati inviati a un programma di intelligenza artificiale, che è stato in grado di classificare correttamente quasi tutti i controlli e i pazienti come depressi o sani.
“Normalmente la frequenza cardiaca è più alta durante il giorno e più bassa durante la notte. È interessante notare che sembra che il calo della frequenza cardiaca durante la notte sia compromesso nella depressione. Questo sembra essere un modo per identificare i pazienti che sono a rischio di sviluppare depressione o ricadute “. ha detto Carmen Schiweck.
Il team ha anche scoperto che i pazienti con una frequenza cardiaca a riposo più elevata hanno risposto meglio al trattamento con ketamina, il che può aiutare a identificare quali pazienti potrebbero rispondere a quale trattamento.
Carmen Schiweck ha dichiarato: “Dobbiamo ricordare che questo è un piccolo studio proof-of-concept: 6 dei nostri 16 pazienti iniziali hanno risposto al trattamento con una riduzione di almeno il 30% sulla scala Hamilton Rating per la depressione, quindi dobbiamo ripetere il lavoro con un campione più grande e privo di antidepressivi.
Il nostro prossimo passo è seguire i pazienti depressi e quelli in remissione, per confermare che i cambiamenti che vediamo possono essere usati come sistema di allarme preventivo ”.
“Questo è uno studio proof-of-concept innovativo. Il mio gruppo aveva precedentemente studiato la variabilità della frequenza cardiaca a breve termine in oltre un migliaio di pazienti depressi e controlli, e non abbiamo rilevato una differenziazione coerente e abbiamo scoperto che gli antidepressivi hanno un impatto maggiore dello stato depressivo stesso.
Tuttavia, questo studio ha monitorato la variabilità della frequenza cardiaca in ambiente ambulatoriale per diversi giorni e notti, il che fornisce informazioni uniche notte e giorno sul sistema nervoso autonomo. È necessario esaminare se questi interessanti risultati valgono in contesti di trattamento più ampi e diversificati ”.
Il professor Penninx non è stato coinvolto in questo lavoro, questo è un commento indipendente.
Negli ultimi anni sono stati ampiamente utilizzati piccoli sensori che possono essere attaccati al corpo di una persona per 24 ore, noti come “dispositivi indossabili” ( Mazzetta et al., 2018 ). Possono raccogliere in modo continuo e non invasivo una varietà di informazioni, tra cui quantità di attività, quantità di sonno, frequenza cardiaca, frequenza respiratoria e posizione fisica ( Nieto-Riveiro et al., 2018 ).
In molti campi medici come cardiologia, endocrinologia e medicina metabolica, sta crescendo l’uso di dispositivi indossabili nella ricerca e applicazione clinica ( Kuehn, 2016 ; Shelgikar et al., 2016 ). Questa tendenza è valida anche nella ricerca psichiatrica, poiché i dati relativi all’attività, al sonno, alla frequenza cardiaca, ecc. Hanno dimostrato in studi precedenti di avere rilevanza nel determinare le diagnosi e la gravità della malattia ( Marzano et al., 2015 ; Reinertsen e Clifford, 2018 ).
Poiché in psichiatria mancano marcatori biologici quantificabili ( Beijers et al., 2019 ), la capacità di raccogliere dati in modo non invasivo da dispositivi indossabili può migliorare le diagnosi e le valutazioni della gravità della malattia ( Dogan et al., 2017 ; Marzano et al. ., 2015 ; Patel et al., 2017 ).
Tuttavia, attualmente non ci sono prove sufficienti riguardo all’uso di tali dispositivi indossabili negli esami clinici. L’actigrafia, che si basa su un dispositivo che raccoglie i dati tramite un accelerometro, è stata utilizzata per la prima volta in campo psichiatrico già negli anni ’70 e da allora è stato condotto un gran numero di studi ( Burton et al., 2013 ; Luik et al. , 2015 ; Martin e Hakim, 2011 ).
In una meta-analisi incentrata su tali studi che utilizzavano l’actigrafia per valutare i disturbi dell’umore ( Tazawa et al., 2019 ), sono state trovate differenze significative nell’attività quotidiana e nelle misurazioni relative al sonno tra pazienti con disturbi dell’umore e controlli sani. Inoltre, sono state riscontrate differenze significative confrontando i periodi pre e post trattamento.
Inoltre, sono stati trovati modelli di misurazione specifici che caratterizzano ogni disturbo / stato dell’umore.
Grazie ai progressi nella tecnologia dei dispositivi indossabili, i dispositivi indossabili abilitati all’actigrafia con capacità simili a quelli realizzati per la ricerca sono ora disponibili in commercio a prezzi economici.
Inoltre, alcune nuove modalità che non erano misurabili con i dispositivi precedenti possono ora essere misurate con i nuovi dispositivi, come frequenza cardiaca e respiratoria, temperatura della pelle, informazioni sulla posizione, ecc. Se i dispositivi indossabili sono in grado di raccogliere dati multimodali a un prezzo economico costo, sarebbero strumenti validi per la valutazione dei disturbi dell’umore in contesti clinici e potrebbero anche essere utilizzati negli screening pre-clinici.
Gli studi che hanno valutato i disturbi dell’umore con queste nuove modalità hanno riportato i seguenti risultati. Moraes et al. (2013) hanno scoperto che nei pazienti con depressione (n = 20), c’era un’ampiezza bassa per il ritmo circadiano e l’esposizione alla luce e un’ampiezza elevata per la temperatura corporea periferica rispetto ai controlli sani (n = 10). nullvakmfondeknqsyqiykeegy ha riferito che una debole periodicità di 24 ore della temperatura corporea era prominente nei pazienti depressi malinconici (n = 41) rispetto ai controlli sani (n = 25). Licht et al. (2008) hanno riportato che quelli con depressione avevano una minore variabilità della frequenza cardiaca rispetto ai controlli sani.
Negli ultimi anni, c’è stato un aumento degli studi che analizzano i disturbi dell’umore utilizzando vari dati raccolti da dispositivi indossabili ( Rohani et al., 2018 ; Wang et al., 2018 ), e in particolare, la ricerca sul disturbo bipolare sta andando avanti ( Puiatti et al., 2011 ; Valenza et al., 2014 , 2015 ).
Valenza et al. hanno utilizzato un dispositivo tessile indossabile per analizzare la variabilità della frequenza cardiaca e hanno riferito di essere in grado di prevedere gli stati emotivi dei pazienti con disturbo bipolare con una precisione superiore al 90%.
Insieme al miglioramento delle capacità sensoriali dei dispositivi indossabili, l’apprendimento automatico sta diventando sempre più popolare in campo medico, poiché i dati clinici spesso contengono complessi schemi trasversali e longitudinali. Saad et al. (2019) hanno utilizzato la variabilità della frequenza cardiaca durante il sonno dai polisonnogrammi per distinguere 87 pazienti con disturbo depressivo maggiore (MDD) e 87 controlli sani utilizzando l’apprendimento automatico, quindi hanno riportato una precisione di classificazione del 79,9%. Valenza et al. (2013) hanno utilizzato le serie temporali degli intervalli tra i battiti, la frequenza cardiaca e i dati sulle dinamiche respiratorie per creare algoritmi per prevedere gli stati dell’umore.
Hanno raccolto oltre 120 ore di dati da tre soggetti con disturbo bipolare e hanno riportato un’accuratezza della previsione dello stato dell’umore del 97%.
Tuttavia, i limiti per questo studio includono una piccola popolazione di studio di tre persone e il fatto che nessuna scala di valutazione è stata utilizzata per assegnare etichette di stato d’animo e malattia. Cho et al. (2019) hanno utilizzato i dati su attività, sonno, esposizione alla luce e frequenza cardiaca da dispositivi indossabili e smartphone per prevedere lo stato dell’umore entro i tre giorni successivi.
Hanno reclutato 55 pazienti con disturbi dell’umore e hanno analizzato i loro dati con l’apprendimento automatico, quindi hanno riportato una precisione della previsione del 64-94%. Tuttavia, hanno usato la loro scala originale di valutazione dell’umore auto-riferita e hanno previsto la presenza di sintomi ma non la gravità.
Date tali limitazioni in precedenti studi simili, abbiamo mirato a indagare l’utilità di dispositivi indossabili con sensori per l’accelerazione, la frequenza cardiaca, la temperatura della pelle e la luce ultravioletta (UV) per identificare i pazienti sintomatici e misurare la gravità della malattia attraverso un approccio di apprendimento automatico biostatistico .
Discussione
In questo studio, è stato utilizzato un dispositivo indossabile multimodale tipo braccialetto per stimare la presenza e la gravità della depressione. Studi precedenti hanno indagato la relazione tra la depressione e ciascuna modalità misurata in questo studio, ma non riflettevano abbastanza bene le malattie in questione da poter essere applicate come strumenti diagnostici nella pratica clinica.
La nostra ricerca ha combinato più set di dati con un approccio di apprendimento automatico per creare un modello pratico per stimare sia la presenza che la gravità degli stati depressivi.
In primo luogo, utilizzando le sette modalità, abbiamo confrontato ogni set di dati tra pazienti con disturbi dell’umore e controlli sani. Per gli indicatori del livello di attività, abbiamo utilizzato il conteggio dei passi e il dispendio energetico, che abbiamo calcolato dalle letture dell’accelerometro. Entrambi gli indicatori differivano in modo significativo tra il paziente e i gruppi di studio di controllo.
Esistono già molti studi e meta-analisi che hanno dimostrato la differenza significativa tra controlli sani e pazienti con disturbi dell’umore sulla base dei livelli di attività misurati da un dispositivo di actigrafia a tre assi ( Teychenne et al., 2008 ).
D’altra parte, il conteggio dei passi è un indicatore di attività che viene normalmente misurato da un singolo accelerometro dell’asse su / giù chiamato pedometro, ma tra gli studi che confrontano pazienti con disturbi dell’umore e controlli sani, ce ne sono pochi che hanno misurato il conteggio dei passi usando l’actigrafia.
McKercher et al. (2009) hanno riferito che un contapassi è stato utilizzato per misurare i passi compiuti ogni giorno dai giovani adulti e che la prevalenza della depressione era maggiore quando il conteggio dei passi era inferiore. Nel nostro studio, abbiamo scoperto che i controlli sani avevano un numero di passi e un consumo di energia significativamente maggiori durante le ore 11:00 – 18:00, il che concorda con i risultati della ricerca precedente.
Per quanto riguarda il sonno, i nostri risultati hanno mostrato che il tempo di sonno era particolarmente lungo tra i pazienti durante le ore notturne dalle 21:00 alle 12:00. L’insonnia è comune nella depressione ( Benca e Peterson, 2008 ; Riemann e Voderholzer, 2003 ).
La mancanza di sonno è molto significativa ed è una delle principali preoccupazioni quando si cura la depressione, ma ci sono anche prove che i disturbi soggettivi di insonnia e le misurazioni oggettive del tempo di sonno non sempre si allineano ( Argyropoulos et al., 2003 ).
I nostri risultati suggeriscono che le misurazioni oggettive per il sonno hanno mostrato livelli più elevati di calma fisica durante le ore notturne nei pazienti depressi rispetto ai controlli sani. Ciò può essere dovuto al fatto che i pazienti calmano il loro movimento fisico nelle prime ore della giornata rispetto ai controlli sani, o perché i livelli di attività sociale dei pazienti sono inferiori.
I nostri risultati hanno anche mostrato una differenza significativa tra pazienti con disturbi dell’umore e controlli sani nei dati sulla frequenza cardiaca raccolti dai sensori dei dispositivi indossabili. In particolare, le frequenze cardiache rilevate durante le ore di sonno dall’1: 00 alle 9:00 mostrano che i pazienti hanno frequenze cardiache significativamente più elevate rispetto ai controlli sani. Dopo un’indagine, abbiamo trovato numerosi studi sulla depressione e sulla variabilità della frequenza cardiaca ( Bassett, 2016 ; Kemp et al., 2010 ; Kwon et al., 2019 ; Stapelberg et al., 2012 ; Udupa et al., 2007 ; Wang et al. , 2013 ), ma ha trovato pochissime ricerche precedenti sulla relazione tra la frequenza cardiaca stessa e la depressione.
Ad esempio, Kemp et al. (2014) hanno riportato che non vi era alcuna differenza significativa tra pazienti depressi e controlli sani sulla base dei dati sulla frequenza cardiaca presi da test ECG a riposo di 10 minuti. Inoltre, Carney et al. (2016) hanno riportato che, osservando i sintomi della depressione nei pazienti con malattia coronarica, i pazienti con alta frequenza cardiaca notturna avevano una risposta più scarsa al trattamento della depressione.
Da un punto di vista biologico, la ragione per cui la frequenza cardiaca a riposo di un paziente depressa aumenta può essere dovuta al fatto che il sistema nervoso automatico gestisce la frequenza cardiaca a riposo.
Sulla base di altri studi, è noto che all’aumentare dello stress, viene attivato l’asse ipotalamo-ipofisi-surrene (HPA), che getta il sistema nervoso automatico nel caos provocando un aumento della frequenza cardiaca ( Agelink et al., 2004 ; Juruena et al., 2018 ; Nederhof et al., 2015 ; Ulrich-Lai e Herman, 2009 ).
In questo studio, come risultato della raccolta dei dati sulla frequenza cardiaca per sette giorni (comprese le notti), abbiamo osservato una differenza significativa nella frequenza cardiaca tra pazienti e controlli sani, sebbene questa differenza non sia rimasta nella sottopopolazione bilanciata per età.
Per quanto riguarda la temperatura della pelle, Avery et al. (1999) hanno riferito che i pazienti con depressione hanno temperature corporee più elevate di notte rispetto ai controlli sani e che dopo il recupero, la temperatura dei pazienti diminuisce. I nostri risultati suggeriscono anche che intorno al periodo di tempo compreso tra le 19:00 e le 23:00, la temperatura della pelle dei pazienti aumenta in modo significativo, il che significa che la temperatura della pelle è un possibile indicatore della depressione.
Per l’esposizione alla luce UV, abbiamo trovato solo una piccola differenza per l’esposizione alla luce UV tra pazienti depressi e controlli sani. Esistono diversi studi che hanno riportato che l’esposizione alla luce UV ha un effetto sullo stato emotivo delle persone e l’esposizione alla luce UV è stata utilizzata nel trattamento della depressione ( Veleva et al., 2018 ).
Inoltre, la luce UV è quasi completamente assente dalle sorgenti luminose interne, ma costituisce gran parte della luce solare. Pertanto, riteniamo che l’esposizione alla luce UV possa indicare quando qualcuno esce, e quindi l’abbiamo utilizzata come una delle nostre misure in questo studio. È possibile che la mancanza di una differenza significativa nell’esposizione alla luce UV sia dovuta al fatto che gran parte della vita moderna si svolge al chiuso in questi giorni, il che fa sì che l’esposizione alla luce UV sia complessivamente bassa indipendentemente dallo stato depressivo.
Successivamente, utilizzando i dati longitudinali individuali del paziente, abbiamo confrontato i dati presi dai dispositivi indossabili per quanto riguarda il peggioramento e la diminuzione dei sintomi.
Da questi risultati, abbiamo osservato una tendenza al numero di passi diurni, al dispendio energetico e al movimento del corpo elevati durante i periodi di sintomi meno gravi, il che mostra che quando i sintomi della depressione sono meno gravi, i pazienti sono più attivi durante il giorno.
Per quanto riguarda il sonno, abbiamo scoperto che durante i periodi di sintomi più gravi, i pazienti dormivano relativamente di più durante le prime ore notturne, mentre durante i periodi meno gravi, i pazienti dormivano di più durante le ore notturne successive. Riteniamo che questi risultati dimostrino che i pazienti con sintomi meno gravi dormono bene fino a tarda notte e, rispetto ai controlli sani, entrambi i gruppi mantengono livelli di attività regolari ugualmente elevati nelle prime ore della notte.
Inoltre, utilizzando l’apprendimento automatico, abbiamo creato algoritmi per valutare la presenza e la gravità dei sintomi della depressione e testato l’accuratezza di tali algoritmi. Per valutare la presenza di depressione, abbiamo ottenuto un valore di accuratezza superiore a 0,7 utilizzando i dati misurati su un periodo di tre giorni.
Quando abbiamo aumentato il periodo di raccolta dei dati a sette giorni, non abbiamo osservato un aumento della precisione. D’altra parte, quando si utilizza l’apprendimento automatico per valutare la gravità della malattia, abbiamo raggiunto un coefficiente di correlazione di 0,48 per tre giorni di dati, mentre abbiamo raggiunto un coefficiente di correlazione di 0,61 analizzando sette giorni di dati.
Sulla base di questi risultati, riteniamo che la raccolta dei dati nell’arco di tre giorni sia adeguata per la diagnosi, ma sono necessari periodi più lunghi per stimare la gravità della malattia.
Fino ad ora, ci sono stati pochi studi che hanno tentato di utilizzare l’apprendimento automatico per analizzare i dati multimodali raccolti da dispositivi indossabili al fine di valutare i disturbi dell’umore. Come affermato nell’introduzione, Valenza et al. (2013) e Cho et al. (2019) hanno utilizzato l’apprendimento automatico per analizzare i dati dei dispositivi indossabili per prevedere gli stati d’animo.
Bourla et al. (2018) hanno esaminato l’utilità delle valutazioni della depressione unipolare utilizzando dispositivi indossabili e hanno scoperto che caratteristiche come l’HRV e la temperatura corporea sono utili nella diagnosi degli episodi depressivi.
Finora ci sono relativamente molti più studi che hanno valutato i disturbi dell’umore utilizzando dati biologici presi da fonti diverse dai dispositivi indossabili. Lee et al. (2018) hanno condotto una meta-analisi di 26 studi che hanno utilizzato una varietà di predittori per creare algoritmi di apprendimento automatico per stimare l’efficacia dei trattamenti per la depressione.
Secondo questa meta-analisi, la maggior parte degli studi ha utilizzato i seguenti tipi di predittori: neuroimaging, fenomenologico (p. Es., Psicometrico, neurocognitivo, antropometrico, sociodemografico, storia psichiatrica), genetico (p. Es., Polimorfismi a singolo nucleotide [SNP]) o una combinazione di quanto sopra.
La meta-analisi ha riportato che i risultati combinati di questi studi hanno prodotto un’accuratezza della previsione di 0,82. In uno studio separato, Ramasubbu et al. (2016) hanno tentato di differenziare tra pazienti con MDD e controlli sani utilizzando dati fMRI e una macchina vettoriale di supporto.
Hanno riferito che mentre erano in grado di discernere tra pazienti con i sintomi più pesanti e controlli sani (accuratezza 66%, p = 0,012 corretto), non erano in grado di distinguere tra pazienti con sintomi pesanti (accuratezza 52%, p = 1,0 corretto) e quelli con sintomi da lievi a moderati (accuratezza 58%, p = 1.0 corretto).
Pertanto, la maggior parte della ricerca precedente che utilizzava l’apprendimento automatico si è concentrata su studi sull’immagine del cervello ad alta intensità di lavoro e studi genetici che comportano grandi quantità di ispezione dei dati. Ma il dispositivo indossabile a forma di braccialetto utilizzato nel nostro studio consente di raccogliere più facilmente i dati per valutare la presenza e la gravità della depressione, il che può essere utile nella pratica clinica del mondo reale.
Inoltre, ci sono pochi studi che hanno utilizzato l’apprendimento automatico per stimare la gravità della depressione. Jiang et al. (2016) hanno previsto la gravità della malattia sulla base dei punteggi HAMD utilizzando l’apprendimento automatico per analizzare i dati della magnetoencefalografia (MEG) e hanno riportato un coefficiente di correlazione di r = 0,38-0,68.
Tuttavia, poiché in quello studio sono stati analizzati solo 22 set di dati con l’apprendimento automatico, è possibile che manchi di affidabilità e generalizzabilità. Pertanto, i risultati del nostro studio, che includeva 236 set di dati e stima la gravità della malattia con un coefficiente di correlazione di 0,61, possono essere significativi.
Abbiamo scoperto che le funzionalità relative alla temperatura della pelle hanno mostrato costantemente il contributo maggiore all’abilità predittiva dell’algoritmo di apprendimento automatico in tutti i modelli che abbiamo costruito. Dopo la temperatura della pelle, le caratteristiche legate al tempo di sonno avevano il significato successivo più alto nel fare previsioni.
Nei test biostatistici, invece della temperatura della pelle o del tempo di sonno, è stato dimostrato che la frequenza cardiaca presenta differenze significative tra campioni sani e depressi più frequentemente. Pertanto, è interessante scoprire che la temperatura della pelle, il tempo di sonno e la correlazione tra la temperatura della pelle e il tempo di sonno contribuiscono più alle previsioni di apprendimento automatico rispetto alla frequenza cardiaca.
Una possibile spiegazione è che i test statistici che abbiamo impiegato in questo studio testano le differenze nella media e nella deviazione standard di ciascuna caratteristica individualmente. È probabile che le relazioni combinatorie non lineari tra temperatura cutanea, tempo di sonno e stato di depressione non siano state scoperte nei test statistici, ma siano state scoperte dal modello di apprendimento automatico.
Per quanto riguarda la relazione tra temperatura corporea e sonno, è stato riferito che la temperatura corporea cambia con il sonno e la relazione può essere disturbata dalla depressione ( Avery et al., 1999 ; Elsenga e Van den Hoofdakker, 1988 ; Lorenz et al., 2019 ) . Hasler et al. (2010) hanno confrontato 18 pazienti affetti da MDD e 19 controlli sani e hanno scoperto che una maggiore differenza di angolo di fase tra il sonno medio e la temperatura corporea minima era associata a una maggiore depressione.
Uno svantaggio comune dei modelli di apprendimento automatico è che i risultati spesso non sono facilmente spiegabili in termini biologici o clinici. Tuttavia, le capacità predittive dei modelli di machine learning possono ancora essere estremamente preziose.
Inoltre, in questo caso, abbiamo calcolato la media dell’importanza delle caratteristiche attraverso la convalida incrociata di 10 volte per trovare le caratteristiche che sono importanti in tutti i modelli che abbiamo costruito e abbiamo fatto riferimento a queste funzionalità ai risultati di lavori di ricerca pubblicati in precedenza. I risultati mostrano che le caratteristiche costantemente importanti sono state collaborate da ricerche precedenti, il che conferma ulteriormente la validità dei modelli di apprendimento automatico.
link di riferimento: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7005437/
