Несмотря на то, что мы всё больше узнаём об устройстве и работе человеческого мозга, лечение пациентов с психиатрическими расстройствами остаётся трудной, часто неразрешимой задачей. Проблема перехода от научных штудий к созданию эффективных методов терапии заключается в том, что понимание психических заболеваний находится на низком уровне.
«Психиатрия имеет дело с мозгами, которые взаимодействуют с окружающим миром и другими мозгами, поэтому мы не просто рассматриваем функции мозга, но его работу в сложных ситуациях», — говорит Квентин Хьюз (Quentin Huys), работающий в Швейцарской высшей технической школе Цюриха (нем. Eidgenössische Technische Hochschule Zürich, ETH Zürich) и Цюрихском университете (нем. Universität Zürich), ведущий автор обзора о новой научной дисциплине — вычислительной психиатрии, опубликованном в журнале Nature Neuroscience. Перед вычислительной психиатрией стоит амбициозная цель — при помощи сложных статистических инструментов понять и научиться лечить психические заболевания.
В психиатрии в настоящее время расстройства определяются через список симптомов. Исследователи прилагают огромные усилия, чтобы найти биологические маркеры, которые делают процесс диагностики более простым и объективным, но успех достигнут незначительный. Часть проблемы в том, что обычно нет однозначного соответствия биологических причин расстройства и его симптомов. Расстройство, определяемое как депрессия или шизофрения, может возникнуть в результате различных причин. С другой стороны, сходные причины приводят к различным расстройствам у разных людей, в зависимости от их генетики или жизненных обстоятельств. Одна из целей вычислительной психиатрии — определение связи между симптомами и причинами заболевания, независимо от диагноза.
Вариативность в рамках одного расстройства означает, что два человека могут иметь одинаковый диагноз, но не иметь общих симптомов. Кроме того, диагноз может быть не один, а многие симптомы являются общими для многочисленных расстройств. «Чтобы справиться со всеми этими сложностями, нам нужны более мощные инструменты», — замечает Хьюз.
В эпоху больших данных неврологи обладают множеством наборов различной информации. Среди них данные различных типов: о нейронной анатомии и работе мозга, результаты когнитивных, клинических, генетических и прочих тестов. Данные, полученные с помощью МРТ-сканирования, могут состоять из большого количества серий наблюдений с различными результатами. Одна из двух главных ветвей вычислительной психиатрии заключается в применении метода машинного обучения, когда в больших наборах данных идёт поиск закономерностей, без использования теорий о когнитивных дисфункциях или умственных болезнях.
Это необходимо для разработки автоматических средств объективной диагностики. В многочисленных исследованиях предпринимаются попытки использования данных о структурных и функциональных различиях в мозге, которые можно фиксировать при использовании магнитно-резонансной томографии для того, чтобы отделить людей с психиатрическим диагнозом от тех, у кого расстройства психики нет.
Результаты, полученные в некоторых из этих исследований, указывают на то, что нарушения психики действительно отражаются в структурах мозга, но есть проблемы, которые следует преодолеть, прежде чем такие средства станут применяться в лечебной практике. Например, множество клинических случаев неоднозначны, также непонятно, как система классификации будет работать в тех ситуациях, когда у человека развивается несколько сопутствующих заболеваний. Сейчас возможно определить некоторые заболевания, но методы работы в сложных условиях нескольких диагнозов должны быть более совершенными.
Исследователи работают над решением этих проблем, и увеличение производительности вычислительных систем улучшает получаемые результаты, позволяя использовать для анализа всё больше данных. Но связь биологических причин расстройств и определяемых ими кластеров симптомов может оказаться слишком трудной для понимания до тех пор, пока система классификации психических заболеваний не будет кардинально изменена.
Наличие вышеуказанных проблем привело к тому, что учёные ищут методы диагностики, выходящие за рамки классического подхода, позволяющие прогнозировать развитие болезни для конкретного человека. Оценивается риск суицида, например, или реакция пациента на лечение.
Каждый психиатр хочет знать, какой метод лечения лучше всего применить в каждом отдельном случае. Ряд исследований свидетельствует о наличии потенциальных биомаркеров — повышение активности в определённых областях мозга — позволяющих предсказать, как пациент будет реагировать на разные виды лечения. Есть пример применения такого подхода, проверенный в ходе рандомизированного клинического испытания. Психиатр Чарльз Дебаттиста (Charles DeBattista) из Стэнфордского университета и его коллеги сравнили электроэнцефалограммы своих пациентов с депрессией с базой данных ЭЭГ более чем 1800 пациентов, в которой также содержалась информация об ответе на конкретные методы лечения. Это позволило выбрать методы лечения, более эффективные, чем предлагаемые стандартной тактикой лечения.
Такой, основанный на машинном анализе данных, подход представляет собой один из способов борьбы с психическим нарушением, но ничего не говорит о том, почему же возникают симптомы и как эти симптомы связаны с процессами в мозге. Поэтому другой задачей вычислительной психиатрии является создание компьютерной модели психических процессов. Это могут быть алгоритмы, которые имитируют процессы принятия решений и другие когнитивные функции, без учёта того, как это происходит в мозге. Также возможно создание биологически реалистичных моделей, имитирующих реальную работу нейронов, с электрическими импульсами, химическими сигналами, синаптическими связями и так далее.
Процесс принятия решений в ситуациях, связанных с вознаграждением и наказанием, известен как «обучение с подкреплением». Исследователи полагают, что мозг использует два различных типа обучения с подкреплением в учебных ситуациях. Первый тип, предполагающий быструю реакцию — последствия действий предсказываются на основе того, насколько подобные действия были вознаграждены в прошлом. Разница между прогнозируемым вознаграждением и фактически полученным — «ошибка предсказания награды» — используется для коррекции ожиданий. Второй — более медленный способ, при котором задействованы знания о мире и действие обдумывается с целью оценки возможных последствий. Такой подход более надёжен, он помогает быстро адаптироваться к изменениям в окружающей среде, но также намного более интенсивный и энергозатратный.
Концепция ошибки предсказания вознаграждения была разработана исследователями, работающими с абстрактными моделями обучения с подкреплением, но позже физиологические исследования выявили нейронные цепи, которые на самом деле используются для расчёта ошибок предсказания с помощью химической допаминовой сигнализации.
«Соответствие абстрактной модели и её биофизической реализации хорошо понятно в этой области, — говорит специалист в области вычислительной нейробиологии Натаниэль Доу (Nathaniel Daw) из Принстонского университета. — Это очень чёткая линия от нейронов и синапсов по всему пути, вплоть до поведения».
Это открытие может быть полезно и в психиатрии: исследователи считают, что изменения в механизме оценки вознаграждения и других процессах, связанных с принятием решений, лежат в основе таких явлений, как ангедония (неспособность получать удовольствие от вещей или чувствовать азарт), депрессия и компульсивное поведение при обсессивно-компульсивном расстройстве.
В исследовании, статья о котором опубликована в текущем месяце в журнале eLife, Доу с коллегами во главе с психологом Клэр Гиллан (Claire Gillan) из Нью-Йоркского университета, провели основанный на методах работы с большими данными анализ структуры симптомов, указанных в ответах на вопросы психиатрической анкеты, заполненной более чем двумя тысячами человек через интернет. Они определили группу компульсивных симптомов, включая навязчивые мысли, общую для людей, сообщающих о симптомах нескольких расстройств — обсессивно-компульсивное расстройстве, наркомании и расстройстве пищевого поведения.
Участники также выполнили задания, предназначенные для оценки их процессов принятия решений. Исследователи обнаружили, что степень компульсивности связана с различиями в балансе между двумя типами обучения с подкреплением, когда первый, быстрый тип преобладает над более вдумчивой, целенаправленной формой. «Мы знаем много больше о мозговых системах — расчётах, которые делает головной мозг и механизмах, которые их поддерживают — чем тогда, когда психиатрические диагнозы были изобретены», — говорит Доу. Следующим шагом станет целенаправленное воздействие на эти системы, приводящее мозг в здоровое состояние.
Хьюз и его соавторы предполагают, что лучший результат даст объединение двух подходов. Психиатрам доступно огромное количество данных, но слишком много данных может так же затруднять работу, как и их дефицит. Для анализа необходимо использовать лишь те, которые имеют отношение к решаемой задаче.
Для отделения важных данных от «информационного шума» нужны эмпирические модели работы мозговых систем, такие как модель обучения с подкреплением или модель нейронной активности. Если модели достаточно точно описывают процессы, которые они имитируют, то задействованные в них величины могут быть полезны в качестве данных для классификации и прогнозирования самих процессов.
«Моделирование играет своего рода двойную роль, — говорит Джонатан Ройзер (Jonathan Roiser), профессор нейробиологии и психического здоровья в Университетском колледже Лондона. — Оно информирует о том, где может быть основа дисфункции и более точно характеризует данные, которые могут помочь в её классификации».
Одним из примеров работы вычислительной психиатрии является исследование, проведённое в 2013 году в Швейцарской высшей технической школе. Кай Хеннинг Бродерсен (Kay Henning Brodersen) и его коллеги использовали модель активности мозга для выявления подгрупп больных шизофренией. Команда проводила сканирование мозга в то время, когда участники выполняли задачи на работу памяти. Использовалась модель рабочей памяти, объясняющая, как динамических деятельность разворачивается в трёх областях мозга, которые, как известно, участвуют в процессе рабочей памяти (способности удерживать информацию в уме в короткий срок, несмотря на конкурирующие запросы или отвлекающие факторы). Это сеть, состоящая из зрительной коры головного мозга, куда поступает информация, дорсолатеральной префронтальной коры и теменной коры, которые также важны для рабочей памяти. Модель соотносилась с наблюдаемым взаимодействием этих трёх регионов мозга испытуемого в течение выполнения теста рабочей памяти. Данные позволили разделить больных на три группы без использования какой-либо информации о симптомах болезни, но эти группы совпали с группами с разным уровнем негативной симптоматики (десоциализация, снижение мотивации и т. д.).
Этот результат согласуется с предыдущими исследованиями, показывающими, что у пациентов-шизофреников с более высоким уровнем негативных симптомов меньший объём рабочей памяти. «Это хороший пример, когда биофизическая модель служит для совершенствования классификации», — говорит Ройзен.
Вычислительная психиатрия — молодая наука, её инструменты только разрабатываются, они ещё не готовы для использования в обычной клинической практике. «Следующим шагом будет проверка этих инструментов в лонгитюдных (долговременных) исследованиях и изучение, как они могут способствовать принятию решений о лечении пациентов, — говорит Хьюз. — Затем их способность улучшать результаты должна быть проверена в клинических испытаниях».
Уже есть свидетельства тому, что применение основанных на больших данных подходов может улучшить результаты лечения, но подходы, основанные на теоретических моделях пока не готовы для применения. Они, по словам Хьюза, «являются многообещающими в плане переосмысления нашей точки зрения на симптомы и предоставления новых способов преодоления разрыва между симптомами и нейробиологией. Результат соединения подходов должен быть очень мощным, но этот процесс всё ещё на ранней стадии развития».
В перспективе вычислительная психиатрия изменит традиционные протоколы лечения и сделает их более эффективными.