Биполярное расстройство (БПР) характеризуется рецидивирующей депрессией и манией/гипоманией. Трудности и задержки в постановке диагноза БПР препятствуют эффективному лечению пациентов.
Несмотря на то, что БПР является одним из 10 неинфекционных заболеваний, у 60% пациентов, обращающихся за лечением от депрессивного расстройства (ДР), ошибочно диагностируют рецидивное БПР.
В частности, недавнее третье Национальное Обследование Психического Здоровья Китая (НОПЗ) показало, что показатели распространенности как БПР, так и ДР в течение 12 месяцев возросли до 4,5%, а показатель выявления БПР по сравнению с нынешними серьезными депрессивными эпизодами (ДР), согласно данным исследования, составил 39,9%.
Поэтому существует настоятельная необходимость в улучшении ранней диагностики БПР, особенно с точки зрения проведения различия между пациентами с БПР и пациентами с ДР.
В свете большого количества существующих в настоящее время диагнозов, необходимы более простые и целенаправленные инструменты диагностической оценки.
Программа оценки аффективных расстройств (ADE) была разработана в 2003 году в качестве инструмента оценки, который может использоваться психиатрами при диагностике пациентов и разработке планов лечения. ADE не является ни инструментом скрининга, ни мерой самоотчета, но обеспечивает систематический процесс, который помогает психиатрам применять свою полную оценку для определения достоверности биполярного диагноза.
Психометрические результаты использования ADE в повседневной клинической практике были опубликованы в России, США и Китае, а выходной показатель известен как индекс биполярности (BPx).
Однако ADE содержит 145 вопросов и обычно требует 45-90 минут для получения оценки BPx и формирования диагностического впечатления.
Таким образом, ADE занимает слишком много времени для использования в клинической практике, поскольку психиатры не могут выделять такое количество времени на каждый визит, учитывая большую нагрузку на пациентов, посещающих психиатра.
Алгоритмы машинного обучения могут эффективно использовать когортные данные для создания классификаторов и измерения чувствительности и специфичности параметров в отношении достоверности диагностики и схожести с оригинальными и пересмотренными средствами диагностической оценки.
Алгоритмы машинного обучения уже были внедрены для сокращения многих шкал, такие как общий график диагностики аутизма (ADOS) для диагностики аутизма и шкала социальной реагирования (SRS) для поведенческого различия между аутизмом и синдромом дефицита внимания / гиперактивности (СДВГ).
В данном исследовании, для разработки сокращенной версии ADE, пригодной для использования в клинической практике, которую назвали Контрольным перечнем биполярной диагностики (BDCC), ученые использовали алгоритм машинного обучения для сокращения первоначального ADE на основе ретроспективного анализа данных комплексного исследования биполярных расстройств (CAFÉ-BD) с описанием результатов оценки и последующего наблюдения.
Используя 5 алгоритмов машинного обучения, они сократили ADE - эффективный по времени инструмент ведения учета, обычно используемый в научных исследованиях, с использованием данных многоцентровой когорты.
Кроме того, BDCC вдвое сокращает время, необходимое для сбора клинической информации. Для завершения ADE требуется более 30 минут, в то время как для завершения BDCC требуется всего 10-15 минут.
Текущие результаты показывают, что BDCC настолько же надежна, как и оригинальная версия, но более осуществима для реализации.
17 выбранных пунктов BDCC делятся на три категории: текущий клинический статус (11 вопросов), клинические испытания в течение жизни (5 вопросов, включая внезапное начало и приступы гнева от прошлой депрессии, дистимию, возраст при первом применении антидепрессантов и эйфорию) и прошлое психиатрической истории (1 вопрос о попытках самоубийства).
Эти вышеперечисленные категории соответствуют диагностическим критериям, таким как DSM-IV.
Таким образом, жизненные характеристики BDCC могут повысить его стабильность и возможность диагностики БПР и ДР.