Психиатрия «больших данных»: технологии, меняющие подход к лечению депрессии

Традиционные методы диагностики психических расстройств становятся архаичными и неточными. На смену им приходят цифровые технологии и искусственный интеллект, позволяющие распознавать депрессию по активности в соцсетях, анализировать ЭЭГ с помощью нейросетей и создавать индивидуальные схемы лечения. Вместе с нейроучёной и гендиректором Brainify.AI Мариам Хайретдиновой рассказываем, как эти инновации меняют подход к психиатрии и какие вызовы сопровождают цифровизацию медицины. Полную версию разговора смотрите на YouTube и других платформах: Депрессия. Психиатрия. Технологии. — Ивар ft. Мариам Хайретдинова Что такое депрессия: определение и статистика Депрессия является одним из наиболее распространённых психических расстройств, от которого, по данным Всемирной организации здравоохранения, страдают более 300 миллионов человек [1]. Согласно классификации DSM-5 (Diagnostic and Statistical Manual of Mental Disorders, 5-е издание) [2], депрессивное расстройство диагностируется при наличии минимум пяти из девяти определённых симптомов. Среди них — сниженное настроение, утрата интереса и удовольствия (ангедония), нарушения сна, изменения аппетита и другие. В настоящее время диагностика депрессии основывается преимущественно на субъективной оценке состояния пациента и клиническом суждении врача, реализуемых в формате клинического интервью или стандартизированных опросников. Эти подходы подвержены значительным ограничениям и искажениям, связанными с такими факторами, как языковые и культурные различия, вариативность индивидуального восприятия терминов, эмоциональное и когнитивное состояние врача и пациента в момент оценки, степень доверия между ними, а также способность пациента к рефлексии и адекватной вербализации своих переживаний. Эффективность современных методов лечения депрессии также остаётся крайне низкой. Согласно крупномасштабному исследованию STAR*D (Sequenced Treatment Alternatives to Relieve Depression) [3], на терапию первым антидепрессантом реагируют лишь около 30% пациентов. При назначении последующих препаратов эффективность существенно снижается: второй и третий препараты демонстрируют клинический эффект только примерно у 20% и 10% пациентов соответственно. Более того, свыше 30% [4] пациентов страдают так называемой резистентной депрессией (treatment-resistant depression, TRD), диагноз которой устанавливается после отсутствия терапевтического эффекта от трёх и более последовательных курсов антидепрессантов. Проблемы современной диагностики депрессии Фармацевтические компании сталкиваются с существенными трудностями в разработке и выводе на рынок новых эффективных антидепрессантов. Около 80% клинических исследований антидепрессантов терпят неудачу на II и III фазах испытаний [5]. Показатели успешности клинических исследований в психиатрии заметно ниже, чем в таких областях медицины, как онкология. Важно подчеркнуть, что и в клинических испытаниях психиатрических препаратов основным методом оценки эффективности остаются субъективные психометрические шкалы. Наиболее распространёнными и широко применяемыми инструментами оценки тяжести депрессивных симптомов являются шкала Гамильтона (Hamilton Depression Rating Scale, HDRS) и шкала Монтгомери–Асберг (Montgomery–Åsberg Depression Rating Scale, MADRS). Одной из основных причин низкой эффективности клинических исследований антидепрессантов является высокий уровень плацебо-эффекта: около 30–40% [6] пациентов демонстрируют значительное клиническое улучшение при приёме плацебо. Столь выраженный плацебо-ответ существенно затрудняет выявление терапевтической эффективности исследуемого препарата, поскольку разница между плацебо- и активной группами становится недостаточно яркой для достижения статистической значимости. Хотя механизмы данного феномена до конца не изучены, его выраженность при депрессии заметно превосходит аналогичный эффект в исследованиях других заболеваний, где используются объективные физиологические или биологические критерии оценки эффективности терапии. Подобные различия свидетельствуют о существенной роли субъективных измерений в психиатрии: на клинический ответ и поведение пациента могут влиять многочисленные внешние факторы — начиная от погодных условий и заканчивая ожиданиями пациента от терапии, степенью его доверия к врачу и условиями клинического взаимодействия. Гетерогенность депрессии: подтипы болезни Все вышеизложенные факторы приводят исследователей к одной фундаментальной гипотезе, вокруг которой в настоящее время строится большинство научных исследований депрессии. Депрессия является гетерогенным заболеванием [7], что подразумевает существование множества различных фенотипов и биологических подтипов, скрывающихся за похожими симптомами и единым клиническим диагнозом. Концепция гетерогенности депрессии предполагает, что под единым термином «депрессия» оказывается целый спектр отдельных состояний, имеющих различные биологические механизмы. Именно поэтому одни пациенты демонстрируют положительный ответ на терапию препаратами, действующими на серотонинергическую систему (например, селективные ингибиторы обратного захвата серотонина — СИОЗС), другим помогают препараты, влияющие на дофаминергическую и норадренергическую системы (например, бупропион) [8], а третья группа пациентов не получает значимого улучшения вообще. Гетерогенность депрессии также служит важным объяснением того, почему клинические исследования до сих пор не смогли выявить однозначную биологическую гипотезу происхождения заболевания. Даже наиболее распространённая «серотониновая гипотеза» [9], связывающая возникновение депрессии с дефицитом серотонина, не имеет достаточного и устойчивого научного подтверждения. Как искусственный интеллект меняет психиатрию Это может быть обусловлено тем, что большинство клинических исследований набирают пациентов исключительно по общему клиническому диагнозу, без учёта биологических подтипов. Согласно данным ряда научных публикаций, количество потенциальных биологических механизмов депрессии варьируется от 250 до 1000 [10, 11]. Таким образом, в исследованиях с небольшими выборками пациентов практически невозможно выявить статистически значимые эффекты, относящиеся к отдельным механизмам или подтипам заболевания. Вследствие этого результаты исследований часто не удаётся воспроизвести (реплицировать) и валидировать в последующих независимых экспериментах. Искусственный интеллект (ИИ) и технологии анализа больших данных (Big Data) открывают значительные перспективы для изучения и понимания психических расстройств. Эти инструменты позволяют перейти от традиционного подхода «снизу вверх» (bottom-up), при котором изначально выявляется гипотетический биологический механизм заболевания, а затем он валидируется на больших выборках пациентов, — к подходу «сверху вниз» (top-down). При top-down-подходе анализируются крупные массивы данных для выявления закономерностей и паттернов, после чего проводится глубокое изучение сформированных кластеров пациентов и их характеристик. Биологические и поведенческие данные как основа для диагностики При этом потенциал для решения таких задач несут данные различной природы. Среди них можно выделить биологические данные, включающие активность головного мозга (структурная и функциональная магнитно-резонансная томография — МРТ и фМРТ, позитронно-эмиссионная томография — ПЭТ, электроэнцефалография — ЭЭГ), а также генетические и эпигенетические данные, мультиомику и протеомику, гормональные показатели и другие биомаркеры. Кроме того, значительный потенциал имеют поведенческие и коммуникационные данные, которые могут быть получены с помощью цифровых технологий, таких как анализ активности смартфонов и социальных сетей, онлайн-поведение, предпочтения в видео- и аудиоконтенте, а также содержание текстовых и голосовых сообщений, генерируемых пациентами. Первая идея, которая естественным образом приходит в голову, — это выполнить простую кластеризацию всех имеющихся данных и посмотреть, какие подтипы выявятся таким способом. Однако эта задача не решается столь прямолинейно, так как исходный сигнал включает большое количество информации, не имеющей отношения непосредственно к заболеванию. Это может привести к формированию кластеров на основе нерелевантных признаков. Вторая сложность заключается в последующей интерпретации и клиническом осмыслении полученных кластеров. Стратификация пациентов и персонализированное лечение Одним из более эффективных подходов является так называемая стратификация пациентов. При стратификационном подходе (stratification approach) создаются подгруппы пациентов на основании их реакции на определённые препараты, что позволяет выявить связи между биологическими данными пациента и вероятностью его ответа на терапию. Это даёт возможность определить предиктивные биомаркеры (predictive biomarkers) — показатели, позволяющие прогнозировать терапевтический ответ конкретного пациента на конкретный препарат. Такой подход способен решить сразу несколько практических задач. Например, он позволяет назначать наиболее эффективный препарат пациенту уже на первом приёме у врача, а также существенно облегчает задачу подбора пациентов для клинических исследований, выбирая тех, кто с наибольшей вероятностью ответит на разрабатываемое лекарство, тем самым повышая эффективность и успешность клинических испытаний. Кроме того, внедрение стратификационного подхода может значительно изменить существующую психиатрическую практику в сторону более широкого применения объективных биологических данных. Препараты, разработанные на основе такой методологии, могут быть зарегистрированы и допущены к клиническому использованию только в паре со специализированными диагностическими тестами, позволяющими определить наличие у пациента соответствующего биомаркера. Такой подход известен как сопутствующая диагностика (companion diagnostics). ЭЭГ и предиктивные биомаркеры: практика и потенциал Интересно отметить, что такие предиктивные модели потенциально могут использоваться и для выявления пациентов, которые с высокой вероятностью будут демонстрировать значительное улучшение при приёме плацебо, то есть обладетелей высокого уровня плацебо-ответа [12]. Это, в свою очередь, позволяет значительно повысить эффективность клинических исследований за счёт уменьшения «шума», вносимого выраженным плацебо-эффектом. Другой важный аспект заключается в том, что качественно размеченных биологических данных, необходимых для обучения специализированных моделей, пока очень мало. Поэтому перспективным направлением становятся фундаментальные модели (foundation models), которые способны изучать структуру и паттерны биологических сигналов и запоминать ключевые их особенности. Такие модели могут затем быть эффективно дообучены (fine-tuned) на относительно небольших размеченных наборах данных для решения специализированных задач с более высокой точностью. Моя команда проводит подобные исследования на основе данных электроэнцефалографии (ЭЭГ). Электроэнцефалография — это неинвазивный метод регистрации электрической активности головного мозга посредством размещения электродов на поверхности головы пациента. Выбор ЭЭГ обусловлен несколькими причинами. Во-первых, ЭЭГ позволяет эффективно регистрировать активность основных нейронных сетей мозга благодаря высокой временнóй разрешающей способности (temporal resolution), которая позволяет улавливать динамику как внутрисетевого, так и межсетевого взаимодействия нейронов. Во-вторых, ЭЭГ отличается широкой распространённостью, доступностью и неинвазивностью. В конечном счёте нашей целью является разработка технологий, доступных максимальному числу пациентов, поэтому для исследования был выбран метод, уже хорошо зарекомендовавший себя в клинической практике. Будущее психиатрии: к точной и персонализированной медицине Основное ожидание от индустрии состоит в том, что предиктивные биомаркеры начнут активно применяться фармацевтическими компаниями в ходе клинических испытаний новых препаратов. Это, в свою очередь, должно повысить вероятность успешного завершения исследований и ускорить появление на рынке долгожданных эффективных антидепрессантов. Выпуск таких препаратов в сочетании с сопутствующими диагностическими тестами (companion diagnostics) постепенно изменит текущую клиническую практику: врачи станут регулярно использовать не только интервью и опросники, но и объективные биологические данные для выбора оптимального лечения. Таким образом, психиатрическая система накопит значительный объём биологических данных, что послужит основой для разработки комплексных мультимодальных систем. Эти системы смогут интегрировать данные различных типов — биологические, поведенческие, клинические, — что позволит ещё точнее персонализировать выбор терапии для каждого пациента и станет частью концепции персонализированной психиатрии (precision psychiatry). Наконец, выявленные при помощи таких подходов биологические кластеры не только улучшат клинические практики, но и существенно расширят потенциал фундаментальных исследований, направленных на изучение природы психических расстройств. Это может привести к полному переосмыслению самого понятия «депрессия»: вместо одного широкого и расплывчатого диагноза появятся десятки новых, биологически обоснованных и чётко определённых состояний, которые можно будет объективно диагностировать и эффективно лечить — что, в конечном итоге, поможет преодолеть текущий кризис в области психиатрии. Примечания Charlson, F., van Ommeren, M., Flaxman, A., Cornett, J., Whiteford, H., Saxena, S. (2019). New WHO prevalence estimates of mental disorders in conflict settings: a systematic review and meta-analysis. Lancet. № 394. Vivian, B., Pender, M. D. (2022). Diagnostic and statistical manual of mental disorders. Arlington (VA): American Psychiatric Association Publishing. 5th ed., text rev. Rush, A. J., Trivedi, M. H., Wisniewski, S. R., Nierenberg, A. A., Stewart, J. W., Warden, D., et al. (2006). Acute and longer-term outcomes in depressed outpatients requiring one or several treatment steps: a STAR*D report. American Journal of Psychiatry. № 163(11). Al-Harbi, K. S. (2012). Treatment-resistant depression: therapeutic trends, challenges, and future directions. Neuropsychiatric Disease and Treatment. № 8. Thomas, D. W. (2016). Clinical Development Success Rates 2006–2015. BIO Industry Analysis. Walsh, B. T., Seidman, S. N., Sysko, R., Gould, M. (2002). Placebo response in studies of major depression: variable, substantial, and growing. JAMA. № 287(14). Insel, T., Cuthbert, B., Garvey, M., Heinssen, R., Pine, D. S., Quinn, K., et al. (2010). Research Domain Criteria (RDoC): toward a new classification framework for research on mental disorders. American Journal of Psychiatry. № 167(7). Williams, L. M. (2016). Precision psychiatry: a neural circuit taxonomy for depression and anxiety. Lancet Psychiatry. № 3(5). Moncrieff, J., Cooper, R. E., Stockmann, T., Amendola, S., Hengartner, M. P., Horowitz, M. A. (2022). The serotonin theory of depression: a systematic umbrella review of the evidence. Molecular Psychiatry. № 27. Buch, A. M., Liston, C. (2021). Dissecting diagnostic heterogeneity in depression by integrating neuroimaging and genetics. Neuropsychopharmacology. № 46(1). Fried, E. I., Nesse, R. M. (2015). Depression is not a consistent syndrome: an investigation of unique symptom patterns in the STAR*D study. Journal of Affective Disorders. № 172. Khayretdinova, M., Pshonkovskaya, P., Zakharov, I., Adamovich, T., Kiryasov, A., Zhdanov, A., Shovkun, A. (2025). Predicting placebo responses using EEG and deep convolutional neural networks: correlations with clinical data across three independent datasets. Neuroinformatics. № 23(2).