ПСИХИАТРИЯ

Обоснование: болезнь Альцгеймера (БА) как наиболее распространенная форма деменции характеризуется ухудшением познавательных функций и обычно начинается с потери памяти о недавних событиях. Важен поиск биологических методов, чувствительных и доступных, которые можно было бы использовать для ранней диагностики БА и определения тяжести заболевания.
Цель исследования: разработка алгоритмов машинного обучения (МО) на основе таких воспалительных маркеров, как энзиматическая активность лейкоцитарной эластазы (ЛЭ) и функциональная активность α1-протеиназного ингибитора (α1-ПИ) для диагностики и оценки тяжести БА.
Пациенты и методы: в исследование включены 128 человек в возрасте от 55 до 94 лет (73,7 ± 7,9 года), из которых 91 пациент с диагнозом болезни Альцгеймера и 37 условно здоровых людей (контроль). В качестве классифицирующих признаков для построения моделей рассматривали показатели ЛЭ и α1-ПИ в плазме крови. Для построения модели машинного обучения применяли следующие алгоритмы: метод оптимально достоверных разбиений (Optimal Valid Partition, OVP), логистическая регрессия (LR), метод опорных векторов (SVM), случайный лес (RF), градиент бустинга (GB) и метод статистически взвешенных синдромов (МСВС). Был использован программный пакет Data Master Azforus. Прогностическую эффективность построенных классификаторов оценивали по общей точности (аccuracy), чувствительности (sensitivity), специфичности (specicity), F-мере и ROC-анализу.
Результаты: созданные алгоритмы машинного обучения позволили надежно разделить общую группу исследуемых (пациенты + условно здоровые), а также пациентов с различной тяжестью БА на 4 квадранта двумерной диаграммы в координатах ЛЭ и α1-ПИ и показали близкую и достаточно высокую прогностическую эффективность.
Заключение: разработанные алгоритмы машинного обучения оказались высокоэффективными в оценке тяжести БА на основе воспалительных маркеров (энзиматической активности ЛЭ и функциональной активности α1-ПИ) и могут быть полезными для ранней диагностики заболевания и своевременного назначения терапии.

Обоснование: в связи с разработкой в последние годы новых технологий анализа ЭЭГ появилось много новых работ в этой области, в том числе исследующих параметры ЭЭГ при шизофрении.
Цель обзора: изучить данные современных исследований о возможностях оценки записи ЭЭГ покоя для диагностики и прогнозирования течения шизофрении.
Материал и методы: отбор публикаций проводился в базах eLibrary, PubMed, Google Scholar и CNKI с использованием ключевых слов: «психоз», «шизофрения», «ЭЭГ», «состояние покоя». Методологически работа представляет собой описательный (нарративный) обзор литературы. Для анализа было отобрано 33 источника.
Обсуждение и заключение: по имеющимся к настоящему времени данным, качественная и количественная оценка ЭЭГ покоя не может использоваться для инструментальной диагностики шизофрении, так как регистрируемое при этом чаще всего увеличение доли медленноволновой активности наблюдается при различных психических расстройствах. При этом некоторые количественные спектральные оценки ЭЭГ покоя могут быть использованы для определения прогноза негативного ответа на терапию антипсихотиками, а также для объективной оценки динамики состояния. Оценки мощности медленных ритмов ЭЭГ покоя и другие методы анализа связанности различных нейронных сетей можно рассматривать как способы выявления потенциальных маркеров наличия специфического эндофенотипа. Современные цифровые технологии, включая алгоритмы машинного обучения и искусственного интеллекта, позволяют за счет использования сложных математических моделей производить дифференциацию ЭЭГ покоя больных шизофренией и здоровых лиц с точностью, чувствительностью и специфичностью более 95%. Оценка микросостояний ЭЭГ дает возможность судить о функционировании крупных нейронных ансамблей и может стать одним из способов характеристики эндофенотипа шизофрении.