💻 Передовая модель машинного обучения прогнозирует начало эпилепсии и депрессии
💻 Передовая модель машинного обучения прогнозирует начало эпилепсии и депрессии В большом ретроспективном исследовании модели усовершенствованного машинного обучения определили демографические, социально-экономические и клинические предикторы возникновения эпилепсии у пациентов с депрессией и депрессии у пациентов с эпилепсией. Результат опубликовали онлайн 19 июня 2026 года в журнале BMJ Neurology Open. Исследователи провели ретроспективное обсервационное когортное исследование, проанализировав панельные данные пациентов из 18 источников в 7 европейских странах (Дания, Франция, Германия, Италия, Испания, Швеция и Великобритания). Контролируемые модели обучались отдельно в каждой стране с использованием демографических данных, показателей социально-экономического статуса, истории болезни, индекса коморбидности Чарльсона и особенностей использования медицинских услуг. В анализ вошли около 2,2 млн пациентов с эпилепсией и 9,7 млн с депрессией. Чтобы определить наиболее значимые факторы риска, авторы использовали метод Shapley Additive Explanations (SHAP), который позволяет оценить вклад каждого признака в прогноз развития заболевания в течение 365 дней. Точность моделей оценивали по площади под ROC-кривой (AUROC) и относительной площади под кривой «точность – полнота» (rAUPRC). Наилучшие результаты модели продемонстрировали на данных из Великобритании. Для прогнозирования развития депрессии у пациентов с эпилепсией AUROC составил 80%, rAUPRC – 6, эпилепсии у пациентов с депрессией AUROC достиг 78%, rAUPRC – 15. Высокую точность также показали модели, обученные на данных из Дании и Швеции. Факторами риска развития депрессии у пациентов с эпилепсией оказались: ►женский пол; ►возраст старше 20 лет; ►низкий социально-экономический статус; ►злоупотребление алкоголем в анамнезе; ►прием анксиолитиков, антипсихотиков или противомигренозных препаратов. Факторами риска развития эпилепсии у пациентов с депрессией были: ►мужской пол; ►низкий социально-экономический статус; ►злоупотребление алкоголем; ►высокий индекс коморбидности Чарльсона; ►применение антитромботических препаратов. Для обеих групп пациентов общим прогностическим признаком оказалось более активное использование медицинской помощи: большое число обращений к врачам и назначенных лекарственных препаратов связали с более высоким риском развития сопутствующего заболевания. Авторы отмечают, что исследование имеет ряд ограничений: ►ретроспективный наблюдательный дизайн не позволяет делать выводы о причинно-следственных связях; ►базы данных разных стран различались по полноте и структуре медицинской информации; ►данные о назначениях лекарств были неоднородны; ►социально-экономические показатели фиксировались не во всех странах одинаково; ►в некоторых странах число пациентов было относительно небольшим; ►для определения даты постановки диагноза в ряде случаев использовали косвенные признаки, например, назначение препаратов; ►часть медицинской истории пациентов могла быть недоступной; ►клинические и аптечные базы данных не всегда были связаны между собой; ►между странами различались системы кодирования заболеваний. Источник: BMJ Neurology Open 📍 Будни медицины в MAX