Теперь исследователи из Пенсильванского и Питтсбургского университетов разработали модель принятия решений, которая сравнивает и взвешивает несколько переменных, чтобы предсказать оптимальный выбор.Они протестировали свою модель на данных исследования пациентов, обращающихся за лечением от депрессии, которые получали либо когнитивно-поведенческую терапию, либо лекарства. Используя модель для получения баллов для каждого пациента, указывающих, какое лечение будет более эффективным для него или для нее, исследователи продемонстрировали преимущество, эквивалентное преимуществу эффективного лечения по сравнению с плацебо.Этот аналитический инструмент, получивший название «индекс персонализированного преимущества», можно использовать не только в персонализированной медицине, но и в любом сценарии принятия решений со сложными и потенциально конфликтующими переменными.

«Если вы обратите внимание только на одну переменную, вы примете решение, которое будет верным только при прочих равных», — сказал Роберт ДеРубейс, профессор и заведующий кафедрой психологии Школы искусств и наук Пенна. «Но мы знаем, что все остальное не равнозначно. Нам нужно сразу принять во внимание все это неравенство, чтобы выяснить, что, вероятно, будет работать лучше всего».Исследование провели ДеРубейс и Закари Коэн, докторант психологии.

Николас Форанд, Лоис Гельфанд и Лоренцо Лоренцо-Луасес, также занимающиеся психологией, внесли свой вклад в исследование. Команда Пенна сотрудничала с Джеем К. Фурнье, доцентом психиатрии Питтсбургского университета.

Он был опубликован в журнале PLOS ONE.При разработке индекса персонализированного преимущества исследователи выбрали случай принятия решений, с которым они были знакомы как психологи: какое лечение будет более эффективным для пациента с депрессией, когнитивно-поведенческая терапия или лекарства? Доказано, что оба типа лечения эффективны в борьбе с депрессией, но некоторые пациенты лучше реагируют на один тип, чем на другой.

Исследователи использовали продольное исследование 154 пациентов, получивших одно из этих двух курсов лечения. В ходе исследования были собраны данные об успехе лечения, полученного каждым пациентом, а также личная информация, которая могла сыграть роль в том, для какого лечения каждый пациент лучше всего подходит, например, семейное положение, количество предыдущих контактов с антидепрессантами или количество негативных жизненных событий, пережитых в прошлом году.

Психологи давно использовали этот тип информации для составления клинических рекомендаций, но никогда не могли всесторонне изучить все соответствующие данные.«Статус-кво на протяжении многих десятилетий, — сказал Коэн, — заключался в том, чтобы клиницисты либо использовали клиническое суждение, интуицию, основанную на том, что они делали раньше и результаты, которые они видели, либо использовали одну переменную, чтобы подтолкнуть к принятию решения. в том или ином направлении ".Во многих рандомизированных контрольных испытаниях рассматривались соответствующие отдельные переменные, такие как семейное положение или негативные жизненные события, чтобы определить, указывают ли они на эффективность одного типа лечения над другим.

Хотя такие исследования иногда предоставляли убедительные доказательства корреляции определенных характеристик с эффективностью данного лечения, они имеют серьезное ограничение, когда дело доходит до их применения при принятии клинических решений.«Эти исследования всегда рассматривают эти переменные изолированно», — сказал Коэн. «Это оставляет клиницистам мало возможностей выйти за рамки этих отдельных переменных. Что произойдет, если у вас появится пациент с конфликтующими переменными? Какому из них вы доверяете?»

При построении индекса персонализированного преимущества цель исследователей заключалась не в том, чтобы определить, какой переменной следует доверять выше всех остальных, а в том, чтобы увидеть, насколько каждая переменная сыграла в достижении результата. Они использовали метод проверки «исключить один-единственный», при котором они обошли каждого из пациентов, используя отношения между переменными и результатами для остальных 153, чтобы предсказать результаты для 154-го. Этот метод был важен, чтобы избежать «переобучения» или чрезмерного использования переменных, которые приводят к точному прогнозированию для тех, чьи данные используются для разработки алгоритма прогнозирования, но не могут быть полностью обобщены для тех, кто находится за пределами набора данных.Результатом этого статистического метода является алгоритм, который максимизирует прогностическую ценность группы переменных путем присвоения веса каждой из них.

Это обеспечивает полезный контекст для переменных, которые как интуиция, так и отдельные исследования предполагают, могут играть роль в исходе данного решения, а также новый взгляд на эффективность этих отдельных переменных.«Подходы к персонализированной медицине могут включать генетические тесты, нейровизуализацию или другие виды диагностики», — сказал Коэн. «Стоимость сбора всех этих данных необходимо сопоставить со значением, которое они обеспечивают для окончательного прогноза эффективности, что может помочь нам изучить индивидуальный индекс преимуществ».Хотя исследователи еще не могут сказать, насколько точными будут прогнозы индекса персонализированного преимущества вне контекста их тестового примера, первые результаты предполагают, что он будет иметь клиническую ценность.«Если бы этот подход к выбору лечения использовался, когда пациенты из нашего набора данных фактически лечились, — сказал ДеРубейс, — это, вероятно, дало бы среднее преимущество, эквивалентное тому, что вы видите между группами, получавшими лекарства, и группами, получавшими плацебо. "Машинное обучение и другие методы искусственного интеллекта могут еще больше улучшить индекс, сравнивая переменные сложными нелинейными способами, открывая дверь к новому способу выполнения аналитики для многих типов приложений, в том числе приложений с более сложными переменными и результатами.

«Это способ начать закрывать пропасть между огромным количеством информации о том, как улучшить результаты, и тем, как эта информация фактически применяется», — сказал ДеРубейс.