Исследователи применили алгоритмы машинного обучения для выявления пациентов с расстройствами аутистического спектра (РАС), которые могут положительно отреагировать на терапию буметанидом. Анализ данных позволил выделить биомаркеры и клинические характеристики, предсказывающие успех лечения, что открывает путь к персонализированному подходу в психиатрии и повышает точность выбора терапевтических стратегий для пациентов с различными нейробиологическими профилями.

Буметанид, традиционно используемый как диуретик, в последние годы рассматривается как потенциальное средство для коррекции дисбаланса нейротрансмиттеров при аутизме. Однако клинические испытания ранее показывали неоднородные результаты, что затрудняло широкое внедрение препарата. Использование методов машинного обучения позволило классифицировать участников исследования на «респондеров» и «нереспондеров» на основе предоперационных показателей, что значительно снижает риски неэффективного лечения.

Модели обучались на многомерных наборах данных, включающих как клинические симптомы, так и нейрофизиологические параметры. Такой подход позволяет не только оптимизировать протоколы лечения, но и лучше понять гетерогенную природу аутизма, где разные подтипы заболевания требуют принципиально различных фармакологических вмешательств. Полученные результаты подчеркивают значимость предиктивной аналитики в доказательной медицине.

Ключевые факты

  • Исследование опубликовано в журнале Nature (серия Translational Psychiatry) и сфокусировано на персонализации лечения РАС.
  • Алгоритмы машинного обучения использовались для анализа данных пациентов и выявления предикторов ответа на терапию буметанидом.
  • Метод позволяет дифференцировать пациентов, для которых препарат будет клинически значимым, от тех, кто не получит терапевтического эффекта.
  • Работа подтверждает эффективность интеграции ML-инструментов в клинические исследования для повышения точности медицинских прогнозов.