以人工智慧預測第二代抗精神病藥物之療效及副作用 - 一種個別化精神藥理學的新方法

精神分裂症是一種極為複雜的精神疾病，曾被稱為影響人類最嚴重的疾病，非典型或第二代抗精神病藥物代表治療精神分裂症的進步，其中Clozapine是目前對難治型精神分裂症效果最好的藥物，然而過去之研究報告顯示Clozapine只對大約三分之一到二分之一的難治型精神分裂症患者有效，且Clozapine產生的副作用很多，且有產生致命的agranulocytosis之風險，然而目前沒有一個明確指引可以幫助醫師決定那個病人會對那個抗精神病藥物有效，造成醫師用藥的困難。

第二代抗精神病藥物於臨床上逐漸被廣泛使用的時候，其引起的副作用中，體重增加及代謝症候群因機率高達三分之一左右而逐漸受到注意。然而最近的多數研究仍指出，大多數的病人其代謝症候群仍然未被偵測出來，因此如何發展出預測服用第二代抗精神病藥物的病人是否產生療效或嚴重副作用具有臨床的重要性。

由於精神分裂症為一多因子之疾病，受生物、心理、環境之綜合影響，以致於目前難以用單一或少數幾個因子來預測抗精神病藥物之藥效或副作用，因此針對單一因子的臨床或基因研究的結果並無法應用於個案臨床治療的選擇。利用多基因或多臨床變項的統計分析雖然也能用來預測，然而多基因及多臨床變項間的交互作用常牽涉複雜的非線性關係，因此需要使用較複雜的非線性方法來處理分析資料。人工智慧，如類神經網路，具有從現有資料中學習並預測未知資料的能力，類神經網路可運用非線性數學模式來模擬人腦解決問題的過程，因而能處理一般演算法難以處理的問題，也許對於我們目前要預測複雜的精神分裂症的治療反應或副作用是一種新而可行的工具，然而目前文獻上沒有人以類神經網路來預測分析第二代抗精神病藥物之療效及副作用。

本研究論文的主要目標為：(1) 以臨床及基因變項預測clozapine之療效；(2)識別服用第二代抗精神病藥物之精神分裂症病人是否產生代謝症候群之副作用。本研究建立類神經網路模型與迴歸模型，並測試其預測臨床療效及副作用之準確性，並比較人工智慧與迴歸模型之鑑別力何者較佳，我們假設人工智慧模型之預測準確度可能會相當或高於迴歸模型。

結果研究I包括服用clozapine的93名精神分裂症病人，結果發現最佳的類神經網路模型為標準的feed-forward, fully-connected, back-propagation, multilayer perceptron模型，其預測clozapine藥效的準確度為83.3% (AUC=0.821). Sensitivity 及specificity 分別為100% and 76.5%，以area under the receiver operator characteristic curve來比較模型之鑑別率，發現類神經網路模型優於迴歸模型(0.821±0.054 vs. 0.579±0.068; p<0.001) ，僅含基因變項之類神經網路優於僅含臨床變項之類神經網路模型(0.805±0.056 vs. 0.647±0.066; p=0.046)，可見基因多型性在預測clozapine藥效上具有重要角色。

研究II包括400位服用第二代抗精神病藥物超過六個月的精神分裂症病人，類神經網路模型及迴歸模型之輸入變項僅包括人口學及人體測量學資料，結果顯示類神經網路模型及迴歸模型均具有高度的準確率(86.6% vs. 83.6%)、sensitivity (89.6% vs. 87.9%)、及specificity (85.9% vs. 82.2%) 可辨別代謝症候群，用內部效度資料測得的類神經網路模型及迴歸模型之area under the receiver operator characteristic curve分別為0.936±0.030及0.921±0.033 (p=0.49)，用外部效度資料檢測類神經網路模型及迴歸模型結果仍然很好(0.908 ± 0.041 vs. 0.899 ± 0.043, p=0.739)。

雖然抗精神病藥物作用極為複雜， 但用人工智慧來預測第二代抗精神病藥物之療效及副作用似乎可行，本研究結果將可以在學術上提供一種新的預測模式，讓醫師在未來能依病患其個別體質及需求來決定如何選用第二代抗精神病藥物。