Anonim

Ein Algorithmus für maschinelles Lernen (ML) sagt laut einer ersten Proof-of-Concept-Anwendung von ML zur Vorhersage von PTBS im Kindesalter genau voraus, bei welchen Kindern nach einem Trauma ein Risiko für eine posttraumatische Belastungsstörung (PTBS) besteht.

Der Algorithmus bietet auch Einblicke in kausale Faktoren für PTBS nach einem Trauma (einschließlich der Schmerzen des Kindes und des Stressniveaus der Eltern). Dies deutet darauf hin, dass mögliche Ansätze zur PTBS-Prävention eine bessere Schmerzbehandlung für das Kind und eine stärkere Unterstützung der Eltern in den Tagen und Wochen nach dem Trauma beinhalten könnten, sagen die Forscher.

Die Studie wurde online am 10. Juli in BMC Psychiatry veröffentlicht.

"Beträchtliches" prädiktives Signal

Untersuchungen haben gezeigt, dass mehr als 20% der Kinder in den USA vor dem 16. Lebensjahr ein traumatisches Ereignis erleiden und dass 10% bis 40% infolge dieses Traumas eine PTBS entwickeln.

"Das Ziel unserer Forschung ist es, so früh wie möglich nach einem Trauma mit Informationen des Kindes und über das Kind vorhersagen zu können, welches Kind eine PTBS entwickeln würde und welches nicht und dann frühzeitig eingreifen würde", so Glenn Saxe, MD, Professor für Kinder- und Jugendpsychiatrie am Child Study Center der NYU Langone in New York City, sagte gegenüber Medscape Medical News.

Die Daten für die Studie stammten von 163 Patienten im Alter von 7 bis 18 Jahren. Die Daten wurden im Rahmen einer vom National Institute of Mental Health finanzierten Studie zu Risikofaktoren für PTBS bei verletzten Kindern im Krankenhaus gesammelt. Verletzte Kinder wurden innerhalb von Stunden oder Tagen nach ihrem Krankenhausaufenthalt untersucht und 3 Monate nach der Entlassung erneut untersucht.

Für ihr Vorhersagemodell berücksichtigten die Forscher 105 Variablen, die während des Krankenhausaufenthaltes gemessen wurden. Diese Variablen gehören zu Bereichen wie kindliche Entwicklung, Demografie, Elternsymptome, Stress, Ausmaß der Verletzung, Kandidatengene, neuroendokrine und psychophysiologische Reaktionen sowie kindliche Symptome und Funktionen.

Elf der 163 (7%) verletzten Kinder wurden nach einer Bewertung von 38 oder höher im UCLA PTSD Reaction Index als PTBS-Kinder eingestuft. Die Patienten wurden 3 Monate nach der Entlassung untersucht. Dieser Cut-off-Score basiert auf einem hohen Grad an Symptomen von PTBS und steht in engem Zusammenhang mit einer DSM-IV-Diagnose von PTBS, erklären die Forscher.

Unter Verwendung von fünf ML-Klassifizierungsmethoden wurde ein prädiktives Klassifizierungsmodell mit "beträchtlichem prädiktiven Signal" erhalten. Das beste Modell hatte eine durchschnittliche Fläche unter der Betriebskennlinie des Empfängers von 0, 79. "Diese sind viel stärker als die Leistung, die mit den herkömmlichen Klassifizierungsmethoden erzielt wird, bei denen das Vorhersagesignal auf dem Zufallsniveau lag", stellen die Forscher fest.

Darüber hinaus identifizierten sie mithilfe von ML-Methoden zur Auswahl von Merkmalen zur "kausalen Entdeckung" 10 Variablen, die "möglicherweise auf einem kausalen Weg zur PTBS liegen", sagte Dr. Saxe. Die Variablen umfassen eine Vorgeschichte von PTBS; externe Symptome haben; Verlust und Hilfesuche; akute Schmerzen beim Kind; akute Stresssymptome bei den Eltern; Mutationen in mehreren Kandidatengenen (dh COMT, CRHR1 und FKBP5); vorherige Ketaminexposition; und zwei Schutzfaktoren (Kindergeschichte des Stillens und Teilnahme an Gottesdiensten).

"Die spezifischen Variablen, die im prädiktiven Klassifizierungsmodell als am stabilsten befunden wurden, sind interessant und können Aufschluss über den Prozess geben, durch den PTBS bei akut verletzten Kindern auftritt - und die Möglichkeit der Prävention -", schreiben die Autoren. "Die frühzeitige Erkennung des Risikograds eines Kindes - und spezifischer Schwachstellen - eröffnet die Möglichkeit einer vorbeugenden Intervention, die auf die spezifischen Bedürfnisse des Kindes zugeschnitten ist", fügen sie hinzu.

"Es muss offensichtlich mehr Forschung geben, und dies muss in größeren Proben wiederholt werden", sagte Dr. Saxe. "Letztendlich ist maschinelles Lernen ideal, um das Risiko einer einzelnen Person zu erkennen, und dies hat wirklich ein translatorisches Potenzial für die klinische Versorgung."

Die Studie wurde vom National Institute of Mental Health unterstützt. Die Autoren haben keine relevanten finanziellen Beziehungen offengelegt.

BMC Psychiatrie. Online veröffentlicht am 10. Juli 2017. Volltext