Прогнозирование депрессивных эпизодов на основе клинических характеристик, когнитивных особенностей, белков, связанных с воспалением, и данных ЭЭГ

Почему превращение мозговых волн и анализов крови в подсказки для настроения

Депрессия затрагивает сотни миллионов людей, но врачи по‑прежнему в основном диагностируют её с помощью бесед с пациентами и опросников. В этом исследовании изучали, можно ли скрытые закономерности в нарушениях сна, когнитивных навыках, активности мозга и иммунных молекулах крови объединить с современными компьютерными методами, чтобы получить более объективный показатель наличия депрессивного эпизода. Если такой сигнал окажется надёжным, он в будущем может помочь врачам выявлять депрессию раньше и точнее подбирать лечение.

Объединение разных типов подсказок

Исследователи наблюдали 115 взрослых с большим депрессивным расстройством и сравнивали их с 66 здоровыми добровольцами. Для каждого человека собрали широкий набор данных: шкалы симптомов депрессии, тревоги, способности испытывать удовольствие и бессонницы; детальные тесты памяти, внимания и визуального мышления; особую форму записи мозга — микросостояния ЭЭГ, фиксирующую быстрые сдвиги в сетях мозга; и уровни более чем 30 белков, связанных с воспалением, циркулирующих в крови. Пятьдесят шесть пациентов оценивались повторно через четыре недели антидепрессивной терапии. Первый набор данных от пациентов вместе со всеми здоровыми участниками использовали для обучения компьютерных моделей, а данные последующего наблюдения вместе с той же группой здоровых были применены для тестирования того, насколько хорошо модели распознают депрессию в новых измерениях.

Как компьютеры искали «отпечаток» депрессии

Поскольку набор данных был богатым, но умеренного объёма, команда сначала тщательно его очистила: убрала часто отсутствующие измерения и заполнила небольшие пропуски установленными статистическими методами. Затем они использовали метод Lasso-регрессии, чтобы сократить десятки кандидатных показателей до меньшего набора, несущего наибольшее количество информации о том, кто подавлен, а кто нет. Из этого выделили восемь ключевых признаков: тяжесть бессонницы, результаты в визуально‑пространственном задании, отражающем способность обрабатывать и конструировать визуальную информацию, средняя длительность специфического ЭЭГ‑паттерна, называемого микросостоянием D, и пять белков, связанных с воспалением в крови (IL-8, IL-18, MMP-8, CD40 и CASP-8). Эти признаки затем были поданы в шесть различных алгоритмов машинного обучения, которые учились распознавать паттерны, отличающие депрессивных участников от здоровых.

Чему модель научилась о теле и мозге при депрессии

Все шесть моделей показали хорошую работу, но при валидации на данных последующего наблюдения особенно выделилась модель k‑nearest neighbor, правильно классифицировавшая примерно 95% случаев и продемонстрировавшая почти идеальное разделение между депрессивными и недепрессивными участниками. Чтобы выяснить, какие сигналы были наиболее важны, исследователи использовали метод объяснимости, который рассматривает каждый признак как «участника», вносящего вклад в решение модели. Особенно значимыми оказались два иммунных белка, IL-8 и IL-18, затем шёл балл бессонницы, белок MMP-8, иммунный рецептор CD40, фермент CASP-8, способность к визуально‑пространственному мышлению и средняя длительность микросостояния D в ЭЭГ. Когда все белки воспаления были удалены из модели, её эффективность резко снизилась, что указывает на то, что маркеры иммунной системы не просто дублировали другие клинические или нейронные показатели, а добавляли уникальную информацию.

Что это может значить для сна, мышления и воспаления

Набор полученных результатов согласуется с растущими данными о связи хронического низкоинтенсивного воспаления и нарушенных сетей мозга с депрессией. В этой выборке люди с депрессией, как правило, плохо спали, хуже справлялись с определёнными визуально‑пространственными задачами, демонстрировали изменённую временную организацию микросостояния D в ЭЭГ и имели изменённые уровни нескольких иммунных белков в крови. Вместо опоры на какой‑то один показатель, объединённый профиль по этим доменам создавал мощный сигнал депрессивного эпизода. Эти выводы также подчёркивают, что бессонница и тонкие когнитивные изменения — не просто побочные эффекты, а центральные элементы мозаики депрессии.

Как эта работа может помочь в будущей помощи

Для неспециалиста главный вывод таков: депрессия оставляет следы в теле и мозге, которые можно уловить с помощью тщательно подобранных тестов и умного компьютерного анализа. Исследование показывает, что относительно небольшая панель показателей сна, когнитивных тестов, характеристик мозговых волн и белков в крови в совокупности может с высокой точностью отличать людей с депрессией от здоровых. Хотя работа проведена в одном госпитале и требует подтверждения на более крупных, разнообразных группах в длительной перспективе, она демонстрирует путь к более объективным, основанным на биологии инструментам, которые однажды могут поддерживать, но не заменять, клиническое интервью при диагностике и мониторинге депрессии.

Цитирование: Sun, W., Yang, H., Sun, C. et al. Prediction of depressive episodes based on clinical features, cognitive characteristics, inflammation-related proteins, and EEG data. Transl Psychiatry 16, 202 (2026). https://doi.org/10.1038/s41398-026-03960-4

Ключевые слова: большое депрессивное расстройство, биомаркеры, воспаление, микросостояния ЭЭГ, машинное обучение