Novo programsko orodje lahko napove posamezno tveganje za PTSP
Preiskovalci so ustvarili programski model, ki lahko natančno opredeli 800 različnih načinov, kako so ljudje izpostavljeni večjemu tveganju za posttravmatsko stresno motnjo (PTSD).
Raziskovalci z medicinskega centra Univerze v New Yorku Langone verjamejo, da bo novi model prvič omogočil prilagojen vodnik za napovedovanje PTSP.
Rezultati študije so bili objavljeni v reviji BMC Psihiatrija.
"Naša študija kaže, da je mogoče osebe z visokim tveganjem, ki so doživele travmatičen dogodek, prepoznati manj kot dva tedna po tem, ko so prvič opaženi na oddelku za nujne primere," pravi dr. Arieh Y. Shalev, profesorica Barbara Wilson na oddelku za psihiatrijo. na newyorški univerzi Langone.
"Do zdaj nismo imeli orodja - v tem primeru računalniškega algoritma -, ki bi lahko pretehtalo različne načine, na katere posamezniki pride do travme, in nudi prilagojeno oceno tveganja."
V preteklosti so bili zdravniki omejeni z računskimi metodami, ki so lahko izračunale le povprečno tveganje za celotne skupine preživelih. In ta so se izkazala za nezadostna kot posamezno orodje za napovedovanje tveganja.
Novi algoritem je uporabil orodja za napovedovanje tveganja, ki se trenutno uporabljajo za napovedovanje rasti raka, za napovedovanje PTSD.
Raziskovalci so oblikovali študijo, da bi odkrili zamenljive, maksimalno napovedne sklope zgodnjih kazalnikov tveganja in zgradili nov algoritem z uporabo modela, ki je bil predhodno razvit v Newyorškem univerzitetnem centru za zdravstveno bioinformatiko za molekularne raziskave in raziskave raka.
Orodje je pokazalo, da lahko na podlagi podatkov, zbranih v desetih dneh po travmatičnem dogodku, natančneje napove, kdo lahko razvije PTSP, kljub številnim načinom, kako se travmatični dogodki pojavijo.
Podatki, zdrobljeni v algoritem, vključujejo spremenljivke o vrsti dogodka, zgodnjih simptomih in ugotovitvah oddelka za nujne primere.
"Do nedavnega smo za napovedovanje PTSP v glavnem uporabljali zgodnje simptome, ki so imeli svoje pomanjkljivosti," je dejal Shalev.
»Ta študija razširja našo sposobnost učinkovitega napovedovanja. Na primer, kaže, da je mogoče funkcije, kot so pojav travme glave, trajanje bivanja v oddelku za nujne primere ali preživetje, ki izražajo potrebo po pomoči, vključiti v napovedno orodje in izboljšati napoved. "
Oblikovanje močnega napovednega modela je nujno tudi za prilagajanje preventivnih prizadevanj ljudem, ki jim grozi razvoj PTSD, dodaja Shalev.
Šaljeva najnovejša študija temelji na podatkih, prvotno zbranih v jeruzalemski študiji ozaveščanja in preprečevanja travme, ki so jo skupaj s sodelavci izvedli v bolnišnici Hadassah v Izraelu in je bila prej objavljena v Arhiv splošne psihiatrije.
V tej študiji so ugotovili, da sta bili dve obliki kognitivno-vedenjske terapije, podaljšana izpostavljenost in kognitivna terapija, enako učinkoviti pri preprečevanju PTSM pri nedavnih preživelih.
Shalev pa je opozoril, da je ta publikacija "dokaz koncepta". Kot je dejal, je treba za zanesljivo napovedovanje pogojev uporabiti identificirani algoritem za zbiranje znanja, pridobljenega v travmatičnih dogodkih, ki so jih doživele druge populacije pacientov in travmatičnih dogodkov, razen tistih, analiziranih iz prejšnje študije.
Za izdelavo splošnega napovednega modela je raziskovalna skupina že prejela nabore podatkov iz 19 drugih svetovnih centrov v študiji, ki jo je financiral Nacionalni inštitut za duševno zdravje in je zasnovana za izdelavo celovitega napovednega algoritma. Izvaja se v sodelovanju z raziskovalci z univerze Columbia in Harvard,
"V prihodnosti upamo, da bomo lahko bolje prilagodili pristope zdravljenja na podlagi bolj prilagojene ocene tveganja," je dejal Shalev. "PTSD močno prizadene prizadete posameznike in družbo."
Nove študije v ZDA in prek Svetovne zdravstvene organizacije kažejo, da bo večina živih odraslih v življenju doživela vsaj en travmatičen dogodek. Poleg tega lahko pet do deset odstotkov tistih, ki so izpostavljeni travmatičnim dogodkom, razvije PTSP.
Vir: New York University Langone Medical Center / EurekAlert
