پژوهشگران دانشگاه استنفورد با بهره‌گیری از الگوریتم‌های یادگیری ماشین، اسکن‌های مغزی بیش از ۸۰۰ بیمار مبتلا به افسردگی و اضطراب را تحلیل کردند و شش زیرنوع متمایز این اختلال را بر اساس الگو‌های فعالیت عصبی شناسایی نمودند.
روش‌شناسی مطالعه
تیم علمی بقیاده لیان ویلیامز، استاد روانپزشکی و علوم رفتاری، تصاویر مغزی را در حالت استراحت و در حین انجام وظایف شناختی خاص ثبت کرد. سپس با مقایسه فعالیت نواحی مغزی و اتصالات بین شبکه‌های اجرایی مرکزی و حالت پیش‌فکر، بیماران را به گروه‌های متمایز طبقه‌بندی کرد.
اختلافات علائم و عملکرد شناختی
هر زیرنوع افسردگی با پروفایل علائم و عملکرد شناختی منحصر به فردی همراه بود. برای مثال، بیمارانی که فعالیت بالا در نواحی پردازش عواطف داشتند، بیش‌تر دچار بی‌لذتی (ناتوانی در تجربه لذت) بودند و در تست‌های عملکرد اجرایی، تمرکز و مدیریت وظایف ضعیف‌تر عمل می‌کردند.
پاسخ به درمان‌های دارویی
تحلیل‌های تکمیلی نشان داد که برخی زیرنوع‌ها پیش‌بینی‌کننده پاسخ به درمان‌های خاص هستند. بیماران با فعالیت بالا در شبکه‌های شناختی مغز، به دارو ونلافاکسین (با نام تجاری افیکسور) پاسخ بهتری نسبت به سایر گروه‌ها دادند. این یافتن می‌تواند به شخصی‌سازی درمان کمک کند، چرا که نزدیک به یک‌سوم از بیماران به درمان‌های رایج پاسخ نمی‌دهند.
پژوهشگران قصد دارند این رویکرد را بر روی نمونه‌های بزرگ‌تر ارزیابی کنند و اثربخشی گزینه‌های درمانی دیگر را برای هر زیرنوع بررسی نمایند. نتایج این تحقیق در یک مجله علمی معتبر منتشر شده است.
