📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить. Прошу разобрать полностью

Депрессию иногда пробуют увидеть в электрических волнах мозга. Логика простая: если у болезни есть стадии — острая, поддерживающая, выздоровление, — то и сигналы должны меняться постепенно, как громкость при повороте ручки. Учёные взяли записи ЭЭГ у 74 человек: 24 — в острой фазе, 23 — в поддерживающей, 27 — здоровых. И проверили, действительно ли классические показатели волн убывают или растут по ступенькам от болезни к норме.

Оказалось, почти ни один показатель не ведёт себя так послушно. Мозг каждого человека шумит по-своему, и этот шум перекрывает общую закономерность. Одна и та же цифра может встретиться и у здорового, и у пациента в ремиссии. Групповые средние смазывают картину, а не проясняют её.

Значит, искать биомаркер депрессии нужно иначе. Не сравнивать группы целиком, а следить за одним человеком во времени — как за конкретным пациентом, а не за усреднённым портретом. Или строить алгоритмы, которые учатся на индивидуальных особенностях, а не на общих средних.

Ручка громкости оказалась сломанной — но, возможно, у каждого прибора своя шкала.

Оригинальная аннотация

как её написали авторы, на английском arXiv:2603.03864

While EEG features differentiate Major Depressive Disorder (MDD) from healthy controls (HC), their clinical utility as biomarkers depends on a monotonic trajectory across the disease spectrum, from the acute (AC) phase to the maintenance (MA) phase and finally to the healthy baseline. However, the progression of the MA phase remains poorly understood in traditional marker analysis. Analyzing EEG data from 74 individuals (24 AC, 23 MA, and 27 HC), this study provides a comprehensive evaluation of classic ERP and resting-state indices across AC, MA, and HC groups. Our results demonstrate that almost no conventional metrics strictly satisfy the criterion of monotonic progression, likely due to profound inter-individual heterogeneity. These findings highlight the inherent limitations of group-level feature extraction and provide critical insights for developing future paradigms and algorithms to identify neurobiological markers with genuine clinical utility.