Фенотипирование ответа на лечение антидепрессантами с помощью глубокого обучения в электронных медицинских картах

В исследовании оценивалась эффективность восьми моделей глубокого обучения для классификации ответа на антидепрессанты по данным электронных медицинских карт (n=111 563). Модели показали высокую точность: большинство достигли площади под ROC-кривой (AUROC) более 0,80. Лучшая модель BERT-large с скользящим окном показала AUROC=0,84 и положительную прогностическую ценность 0,80 при специфичности 0,87. Результаты подтверждают, что методы глубокого обучения применимы для точного фенотипирования ответа на антидепрессанты в реальной клинической практике.

**Выводы:** Модели глубокого обучения на основе текстов электронных медицинских карт способны с высокой точностью (AUROC > 0,80) классифицировать ответ на антидепрессанты у пациентов с депрессией. Это открывает возможность для автоматизированного фенотипирования в крупных базах данных и развития персонализированной психиатрии.