ТОМСК, 13 фев – РИА Томск. Ученые Томского государственного университета (ТГУ) и НИИ психического здоровья Томского НИМЦ разработали новый подход к диагностике биполярной и униполярной депрессии; он предполагает поиск характерных для заболевания "биометок" в слюне и крови пациента, сообщается в понедельник на сайте вуза.
По данным пресс-службы ТГУ, в настоящее время диагностика депрессии построена на оценке врачом поведенческих особенностей, также используются аппаратные методы для выявления отклонений в работе головного мозга и анализ крови. Дифференциация униполярной и биполярной депрессии остается сложной задачей, поскольку на начальной стадии их проявления схожи.
"Физики ТГУ вместе с сотрудниками НИИ психического здоровья Томского НИМЦ в рамках совместного проекта РНФ разработали новый подход к диагностике биполярной и униполярной депрессии. В качестве инструмента ученые используют оптические методы, с помощью которых выявляют характерные биомаркеры в крови и слюне пациентов", – говорится в сообщении.
Добавляется, что задача проекта – разработать в помощь врачам-клиницистам диагностический подход, основанный на оптических методах анализа. Для этого ученые нашли биологические маркеры, типичные для каждого из типов депрессии и присутствующие на ранней стадии заболевания. Это специфические изменения уровня холестерина, гуанина, серотонина, фенилананина и других химических соединений.
В качестве инструмента для поиска "биометок" ученые использовали один из методов спектроскопии – метод комбинационного рассеяния света, позволяющий анализировать химические вещества в пробах слюны или крови, взятых у пациента. По данным пресс-службы, этот подход поможет своевременно выявлять униполярную и биполярную депрессию, а также контролировать эффективность лечения.
В настоящее время ученые работают над составлением классификатора с подробным описанием информативных показателей. Ученые ТГУ проведут корреляцию своих данных с результатами, полученными специалистами НИИ психического здоровья с использованием традиционных методов. На завершающем этапе проекта классификатор будет использован для машинного обучения компьютерной модели, что позволит автоматизировать процесс диагностики.