Вычислительная психиатрия десять лет спустя: поворот к клиническим испытаниям и проблема надёжности под ним
- В комментарии в Nature Computational Science (октябрь 2025, т. 5, с. 841–843) Квентин Хьюс (UCL) и Майкл Браунинг (Оксфорд) утверждают, что вычислительная психиатрия должна перейти от описания расстройств к изменению исходов – получать причинные доказательства через клинические испытания, перепрофилирование препаратов, новые вмешательства и масштабирование психотерапии.
- Этот поворот – тихое признание: спустя десять лет после того, как рамка RDoC Национального института психического здоровья США переориентировала психиатрию на механизмы, главный итог поля – общий язык описания того, как мозг прогнозирует, обучается и делает выводы, а не готовые клинические тесты.
- Исследование надёжности 2025 года (n=179, пациенты психотического спектра и контроль) показало, что вычислительно выведенные параметры заданий обладают лишь низкой–умеренной ретестовой надёжностью (ICC 0,30–0,61) и не превосходят простые поведенческие показатели (ICC 0,24–0,54).
- Поскольку надёжность измерения задаёт предел его способности отслеживать симптомы и ответ на лечение, эти параметры пока недостаточно стабильны, чтобы служить биомаркерами или конечными точками испытаний; задания и модели нуждаются в оптимизации до клинического применения.
Раз в несколько лет психиатрия принимает рамку, обещающую заменить перечни симптомов механизмом. Вычислительная психиатрия – проект моделирования психических расстройств как конкретных сбоев прогнозирования, обучения и вывода в мозге – оказалась интеллектуально наиболее притягательной из них. Новый комментарий двух лидеров поля подводит непривычно откровенную черту под минувшим десятилетием, и читать его стоит именно потому, что написан он не критиками, а сторонниками изнутри.
От RDoC к клинике: ставка длиною в десятилетие
Запуская около 2010 года программу «Критериев исследовательских доменов» (RDoC), Национальный институт психического здоровья США сделал ставку на то, что психиатрию точнее «разрежут по суставам» биология и вычисление, а не категории DSM. Вычислительная психиатрия стала остриём этой ставки. Её работа распадается на три математически связанных направления: модели динамических систем, байесовский вывод – область предиктивной обработки и фристоновского активного вывода в рамках принципа свободной энергии – и обучение с подкреплением. Концептуальный результат реален: психоз переосмыслен как аберрантное весовое соотношение априорных ожиданий и сенсорных ошибок прогноза; депрессия и тревога – как искажение скоростей обучения на вознаграждении и наказании. Впервые у клинициста появился язык, связывающий галлюцинацию или ангедонический спад с конкретным, проверяемым вычислением.
В комментарии за октябрь 2025 года Хьюс и Браунинг пишут, что поле «всё чаще получает причинные доказательства, сосредотачиваясь на исследованиях вмешательств и клинических испытаниях», и что такие доказательства способны улучшить исходы за счёт точности подбора терапии, перепрофилирования препаратов, новых вмешательств и масштабирования психотерапии. При внимательном чтении это и амбиция, и признание. Сопоставление расстройств с вычислениями – обратная трансляция – проделано многократно. Прямая трансляция, от вычисления к лечебному решению у постели больного, осталась редкостью.
Расплата надёжностью
Причина, по которой прямая трансляция буксует, неэффектна: это измерение. Чтобы вычислительный параметр стал биомаркером или конечной точкой испытания, он как минимум должен дважды давать одному и тому же пациенту примерно одно и то же значение. В 2025 году это допущение проверили напрямую. Обследовав 179 взрослых психотического спектра, исследователи обнаружили, что параметры, извлечённые из стандартного задания на обучение с вознаграждением и реверсией, обладают лишь низкой–умеренной ретестовой надёжностью (ICC 0,30–0,61) и – что показательно – не превосходят простые поведенческие показатели, которые они призваны были улучшить (ICC 0,24–0,54). Смежные работы по заданиям с подкреплением показывают: параметры скорости обучения бывают приемлемо устойчивы, тогда как другие – например, члены, отвечающие за «промахи» или исследовательское поведение, – близки к шуму. Надёжность задаёт потолок для всего последующего: неустойчивый показатель не может надёжно коррелировать с симптомами, предсказывать ответ или регистрировать эффект препарата в испытании. Изящные модели, построенные на неустойчивых измерениях, наследуют эту неустойчивость.
Что это значит для практики
Ничто здесь не говорит, что вычислительная психиатрия провалилась; речь о том, что поле входит в фазу, где заявления сверяют с клинической арифметикой. Отсюда две практические установки. Первая: когда статья, стартап или доклад на конференции предлагает вам «вычислительный биомаркер» для диагностики или подбора терапии, относитесь к нему как к исследовательскому инструменту, а не проверенному тесту – спрашивайте о ретестовой надёжности прежде, чем о нейронном механизме. Вторая: используйте рамку по её сегодняшнему назначению – как общий язык описания механизма, уточняющий формулировку случая. Сказать пациенту, что его голоса могут отражать переоценку мозгом собственных прогнозов, клинически полезно уже сегодня; назначать батарею заданий, чтобы подобрать дозу, – нет. Следите за поворотом к испытаниям, о котором пишут Хьюс и Браунинг: именно там рамка наконец докажет – или не докажет – свою ценность у постели больного.
Модель может быть математически изящной и механистически правдоподобной – и всё же клинически бесполезной, если тот же пациент через неделю получает другой результат.
Показатели надёжности получены на конкретных заданиях принятия решений и коротких интервалах повторного тестирования и могут не переноситься на все вычислительные меры или на нейровизуализационные маркеры; в здоровых выборках параметры были несколько устойчивее, чем в клинических. Работа Хьюса и Браунинга – это программный комментарий, а не доказательство того, что поворот к испытаниям окажется успешным.