Abstract (deu)
Die herkömmliche 30-tägige Evaluationsphase zur Behandlung von Depressionen ist oft langwierig, was die Symptome verschlimmern und die Chancen auf eine Remission aufgrund des erschöpfenden Prozesses verringern kann. Eine frühere Vorhersage des Behandlungserfolgs auf Basis von electroencephalography (EEG)-Daten könnte die Behandlungszeit erheblich verkürzen, die Auswahl von Antidepressiva verbessern und somit die Remissionsergebnisse optimieren. Diese Arbeit untersucht den Einsatz von Machine Learning-Modellen zur Vorhersage der Behandlungsergebnisse von Depressionen durch Analyse von EEG-Daten, die nach nur sieben Behandlungstagen erhoben wurden. Wir betrachten dies als ein Klassifikationsproblem und verwenden sowohl lineare als auch nichtlineare Methoden, wobei wir den Schwerpunkt auf Entropie-basierte Techniken legen, um Feature aus EEG-Signalen zu extrahieren und die Komplexität der Dynamik des Gehirns zu evaluieren. Zunächst führen wir eine Zeit-Frequenz-Dekomposition mittels Wavelet-Transformation durch und berechnen eine umfangreiches Set an Featuren. Soweit uns bekannt ist, ist diese Arbeit die erste, die eine umfassende Reihe von entropiebasierten Metriken in die Vorhersage von Behandlungsergebnissen bei Depressionen einbezieht. Wir führen außerdem ein neue Metrik ein, das wir symbolic influence entropy (SIE) nennen, welche aus dem Konzept der Transferentropie abgeleitet ist und dazu dient, den Einfluss der Vergangenheit eines Signals auf seinen aktuellen Wert zu quantifizieren, indem externe Informationen, die mit einem anderen Signal geteilt werden, ausgeschlossen werden. Die Klassifikation erfolgt in zwei Szenarien: Einmal unter der Verwendung jeder Metrik einzeln und einmal durch Kombination eines Ensembles verschiedener Metriken. Wir bewerten die Leistung von drei Feature-Selection-Techniken: minimum Redundancy Maximum Relevance (mRMR), F-Test und L1-regularisierungsbasierte Selektion und analysieren die Ergebnisse von fünf Machine Learning-Modellen. Unser Fokus liegt darauf, wichtige Metriken, Frequenzbereiche und EEG-Kanäle zu identifizieren, die als Marker zur Vorhersage der Behandlungsreaktion bei Depressionen dienen könnten. Der Datensatz umfasst 176 Patienten und wird mittels nested cross validation (CV) aufgeteilt, um einen durchschnittlichen Testscore zu erhalten. Unter den Modellen zeigte die Support Vector Machine (SVM) die höchste Präzision und erzielte einen F1-Score von 0,646 unter Verwendung von symbolic transfer entropy (STE) als alleinige Metrik. Bemerkenswert ist, dass die Verwendung mehrerer Metriken die Präzision im Vergleich zur Verwendung einzelner Metriken nicht verbesserte. Die starke Leistung von STE stimmt mit seiner häufigen Auswahl im Multi-Measure-Ansatz und seiner Signifikanz in der statistischen Analyse überein. In den statistischen Analysen zeigt sich T6 als vielversprechender EEG-Kanal, wobei Delta-Frequenzen eine leicht bessere Unterscheidung zwischen Respondern und Non-Respondern ermöglichen. Zudem hat die Wahl der Entropie-Variante nur einen minimalen Einfluss auf die Klassifikationswerte, die in verschiedenen Tests konstant innerhalb von 0,04 des besten beobachteten Wertes bleiben. Im Gegensatz dazu führen andere lineare und nichtlineare Metriken zu variableren Ergebnissen, bei denen die Werte um 0,07 bis 0,15 Punkte unter dem besten beobachteten Wert liegen können, wodurch Entropie-Varianten zuverlässiger in der Aufrechterhaltung einer hohen Klassifikationspräzision sind. Obwohl alle Klassifikationspipelines ein gewisses Maß an Overfitting aufweisen, legen unsere Ergebnisse nahe, dass EEG-Daten dynamische Eigenschaften des Gehirns enthalten, die mittels Entropie-basierter Methoden extrahiert werden können, was möglicherweise bei der Identifizierung kritischer Marker für die Remission bei Depressionen hilfreich ist.