Современные решения в медицине , чаще всего принимают на основе биомаркеров . Биомаркеры — это количественные фенотипы, относящиеся к модели принятия решений. Субъективные симптомы и наблюдаемые признаки являются, говоря языком биолога , фенотипами, которые можно наблюдать и измерять качественными или количественными методами. Количественный наблюдаемый признак требует использования определенного инструмента для измерения интересующих данных. Биомаркер — это количественный наблюдаемый признак, который имеет некоторое отношение к данной модели принятия решений. Фенотип охватывает любую наблюдаемую характеристику, от молекулярных и биохимических свойств человека до репертуара возможного поведения. В психиатрии клинически значимые фенотипы обычно рассматриваются как психопатологические симптомы и синдромы, в большинстве случаев психиатр квалифицирует их так или иначе на основе наблюдения за поведением пациента, его выссказываниям , рассказам окружающих людей. В случае качественного признака датчиком являются глаза, уши или пальцы врача.
Биомаркер представляет собой количественный признак, который, отражает некоторый аспект биологии, имеющий существенное значение для здоровья или болезни. Вообще говоря, существует два класса биомаркеров: описательные и лечебные. Описательные биомаркеры позволяют выявить заболевание или стадию его прогрессирования и исхода . Биомаркеры лечения информируют о возможным методах терапии, которые, в зависимости от их связи с причинами и механизмами развития болезни , могут быть паллиативными, модифицирующими или по - настоящему лечебными. Поскольку общая цель биомаркера состоит в информировании клинического мышления, к определению стоит добавить, что биомаркер должен помочь принять четко определенное клиническое решение в рамках того, что мы будем называть «моделью принятия решения». Как следует из этого термина, модель принятия решений информирует врача о том, как искать, комбинировать и действовать на основании клинических данных. Ценность биомаркера не в идентификации заболевания в отрыве от других клинических данных; скорее, биомаркер работает внутри и обновляет существующую модель принятия решений и, следовательно, взаимодействует с другими клиническими данными, чтобы уменьшить общую неопределенность четко определенного курса действий.
Ассоциативные исследования биомаркеров основаны на классических тестах нулевой гипотезы для сравнения групповых средних значений данного параметра и, следовательно, связывания этого параметра с группой заболеваний. Например, отличается ли структура мозга в группе пациентов с депрессией от контрольной группы без депрессии или различаются ли генетические варианты гена транспортера серотонина у пациентов с депрессией и без депрессии, которые испытали стресс. До сих пор ассоциативные биомаркеры не принесли клинической пользы в психиатрии; статистические методы, на которых они основаны, сформулированы на уровне группы больных или населения, а не на индивидуальном уровне. Одним из примеров является калькулятор риска Североамериканского продромального лонгитюдного исследования, который связывал фенотипические переменные (например, когнитивный дефицит и профили симптомов) с риском перехода от клинического высокого риска к психозу .
Прогностические исследования биомаркеров используют специализированные методы для определения значений (количественных или субъективных) в наборе данных, которые в сочетании предсказывают желаемую переменную, такую как диагноз или клинический исход . Например, модели машинного обучения, обученные на большой группе, могут быть проверены и применены к отдельным людям. Модель контролируемого машинного обучения просматривает множество переменных-кандидатов, чтобы определить, какие из них наиболее предсказуемы в отношении целевой переменной, связанной с заболеванием. Примером может служить недавнее контролируемое исследование машинного обучения, в ходе которого были выявлены закономерности жизненного опыта, нейробиологические различия и личностные черты, предсказывающие запойное пьянство у 14-летних подростков. Модель неконтролируемого машинного обучения просматривает такое же большое количество признаков-кандидатов, чтобы идентифицировать шаблоны, которые затем можно оценить на наличие общих свойств. Неконтролируемые модели машинного обучения считаются беспристрастными и основанными на данных, поскольку они не требуют априорной маркировки данных или указания пользователем интересующего результата. Например, недавнее неконтролируемое исследование машинного обучения выявило три сопутствующих кластера симптомов в самоотчетах пациентов и шкалах симптомов, оцененных врачом, которые были связаны с реакцией на антидепрессант и/или когнитивно-поведенческую терапию .
Существует заметная вариабельность характеристик и целевых переменных, изучаемых в настоящее время при разработке психиатрических биомаркеров: субъективные симптомы (самоотчет пациента или шкалы поведенческих характеристик) часто сочетаются с количественными наблюдаемыми признаками (визуализация мозга, генетика, возраст). Эти особенности и целевые переменные, в свою очередь, часто оцениваются в контексте психиатрического диагноза, который в значительной степени все еще основывается на субъективных симптомах. Таким образом, изменчивость характеристик и целевых переменных может быть частично объяснена тем, что ученые пытаются определить неизвестный клинический ландшафт: поскольку неясно, как лучше всего концептуализировать психические расстройства, также неясно, какие данные могут быть наиболее полезными для их понимания.
Биомаркеры имеют ценность, если они помогают клиницистам лучше описывать или лучше лечить заболевание в рамках более широкой модели принятия решений. К сожалению, многие биомаркеры-кандидаты пытаются описывать заболевание исключительно с точки зрения диагноза, что осложняется отсутствием консенсуса в отношении наилучшего способа диагностики психических заболеваний. Действительно, разработка биомаркера шизофрении по понятным причинам является сложной (если не невозможной), когда существует более 7,6 триллиона уникальных комбинаций симптомов, каждая из которых соответствует диагностическим критериям шизофрении. Чтобы биомаркер имел значение, он должен определять клиническое решение независимо от диагноза. В медицине описательные биомаркеры могут помочь в выявлении или определении стадии заболевания. Между тем, терапевтические биомаркеры могут направлять клиническое решение в пользу паллиативного, модифицирующего или собственного в плане результативности лечения.
Паллиативные терапевтические биомаркеры определяют методы лечения, которые подавляют последующие проявления заболевания: например, опиоиды могут быть назначены при боли, связанной с метастазами HER-2-положительного рака. Паллиативные терапевтические биомаркеры широко применимы при заболеваниях, поскольку они не связаны с какой-либо конкретной патофизиологией; опиоиды облегчают боль, связанную со многими звеньями патогенеза , поэтому биомаркер, указывающий на то, что опиоид является подходящим клиническим курсом действия, может быть применим ко многим заболеваниям. Поскольку они не лечат, а скорее подавляют отдельные проявление патогенеза , многие современные психиатрические методы лечения попадают в эту категорию. Например, гидроксизин может подавлять панику у человека с генерализованным тревожным расстройством, но маловероятно, что паника связана с нарушением регуляции гистаминергической системы. Или, кроме того, нейролептики и антидепрессанты широко используются при психических заболеваниях, потому что они, скорее всего, подавляют (а не модифицируют) последующие эффекты каких-то непонятных механизмов психических расстройств. К счастью или несчастью для наших пациентов, большинство психиатрических методов лечения практически не требуют понимания патогенеза , потому что они нацелены на последующие механизмы, широко распространенные при различных расстройствах.
Добавить комментарий