基于机器学习的重性抑郁障碍抗抑郁治疗反应源空间 EEG 功能网络生物标志物

基于摘要分析。本研究针对重性抑郁障碍（MDD）抗抑郁药物选择缺乏预测性生物标志物的问题，分析治疗前静息态源空间 EEG 功能网络，并利用节点网络特征区分后续治疗应答者与非应答者，为候选治疗反应标志物提供初步证据。 研究在基线采集了 47 名 MDD 患者及 41 名健康对照（HCs）的静息态 EEG。治疗 12 周后，以 Hamilton Depression Rating Scale 评分降低至少 50% 定义应答，患者分为 20 名应答者和 27 名非应答者。源空间网络指标包括路径长度（PL）、强度、聚类系数（CC）及特征向量中心性（EC）；机器学习采用节点特征和嵌套交叉验证。 作者报告，在全局网络层面，非应答者相较应答者的高 beta 频段强度和 CC 更低、PL 更高；应答者的 theta 频段 CC 高于健康对照。在上述患者应答分类的嵌套交叉验证中，支持向量机获得 Accuracy 82.98%（95% CI：72.34%–93.62%）、敏感度 85.19%（95% CI：70.37%–96.30%）及特异度 80.00%（95% CI：60.00%–95.00%），摘要对三项指标均报告 p < 0.001，但检验方法及阳性类别定义尚未验证。作者还报告，应答者楔前叶和 pars orbitalis 的 theta 频段 EC 与心理评估评分显著相关，摘要未提供相关方向、效应量及具体量表。 这项研究的直接用途是评估治疗前 EEG 特征与后续临床应答的关联及预测能力，并非 BCI 控制任务。源定位方法、连接估计、频段边界、特征筛选是否完整纳入嵌套验证、折数与划分方式、药物方案及混杂因素控制均需查阅全文；实验协议、消融及统计信息尚未验证。样本规模较小，报告的交叉验证表现不能替代独立队列验证，也不能据此提出临床选药建议。