Qualche settimana fa (22 febbraio 2017), un nuovo studio è uscito su JAMA Psychiatry , una delle principali riviste psichiatriche, dal titolo "Rivalutazione dell'efficacia e della prevedibilità dei trattamenti antidepressivi: un approccio di ammodernamento ai sintomi". In questo studio, Dr Adam M. Chekroud e colleghi hanno utilizzato una tecnica statistica di recente adozione, l'apprendimento automatico, per porre la domanda, "quale paziente con disturbo depressivo maggiore (MDD) risponderà a quale farmaco?"
Fino ad ora, questa scelta è stata fondamentalmente prova ed errore.
Questo rapporto utilizza i dati di 9 ampi studi di trattamento antidepressivi precedentemente condotti, tra cui 2 grandi studi finanziati a livello federale STAR * D e CoMED e 7 studi di case farmaceutiche, confrontando diversi farmaci. Fa parte di un processo continuo di utilizzo dell'apprendimento automatico e di approcci correlati per identificare trattamenti più efficaci (vedi il lavoro dell'autore principale, AM Chekroud e https://www.spring.care)
Questo approccio inventivo di "apprendimento automatico" viene utilizzato per identificare i modelli correlati a una migliore risposta al trattamento in molti rami della medicina, inclusa la psichiatria. L'apprendimento automatico trova modelli per prevedere la risposta al trattamento nei dati stessi, piuttosto che basarsi su preconcetti di ricercatori o clinici su quali sono i sintomi più importanti o come sono correlati. La tecnica cerca all'interno del set di dati spesso testando le connessioni usando un metodo "N meno 1", sottraendo un soggetto per ciascuna analisi, e altre volte prendendo parte del set di dati, ad esempio metà, e confrontando il modello osservato in quella parte contro l'altro. Quindi questi modelli possono essere testati su dati di altri studi, per vedere se sono ancora predittivi.
La maggior parte dei ricercatori ritiene che la depressione maggiore sia "eterogenea", cioè include diverse condizioni con sintomi simili, non un singolo disturbo; quindi c'è un valore significativo se è possibile districare i sottotipi, sia per la risposta alla medicina sia per comprendere la biologia differente di queste condizioni presumibilmente diverse.
I ricercatori di questo recente studio hanno individuato 3 principali gruppi di sintomi (quelli che chiamano nucleo emotivo, sonno (insonnia) e "sintomi atipici"). In generale, hanno scoperto che gli antidepressivi hanno funzionato meglio per i sintomi emotivi rispetto agli altri 2 gruppi di sintomi. Alcuni dei farmaci erano più efficaci di altri in alcune aree (dose elevata dell'inibitore della ricaptazione della serotonina e della norepinefrina duloxetina rispetto all'escitalopram SSRI).
Un risultato utile di questo studio è uno strumento online, https://www.spring.care/spring-assessment, un questionario che può essere utilizzato da pazienti e medici per aiutare a prendere decisioni.
Una possibilità intrigante: lo studio (e probabilmente il nuovo strumento) potrebbe aiutare con un trattamento "personalizzato", abbinando l'antidepressivo a un paziente specifico in base ai loro sintomi.
Potrebbe potenzialmente aiutare nello sviluppo di nuovi farmaci che potrebbero concentrarsi su questi gruppi di sintomi. E potrebbe forse guidare gli studi sulla biologia della depressione poiché i diversi gruppi di sintomi possono riflettere diverse anomalie nel cervello delle persone con depressione – diversi circuiti cerebrali possono essere coinvolti in questi diversi gruppi di sintomi.
Lo studio ha alcuni limiti: diversi studi (due degli studi non hanno usato il placebo, il "blinding" differiva tra gli studi) e 7 dei 9 studi riguardavano un farmaco (duloxetina). Inoltre, i cluster dei sintomi non erano gli stessi in tutti gli studi, con elementi leggermente diversi in diversi studi, il che suggerisce che essi non sono "scritti nella pietra" e forse non ne abbiamo la comprensione definitiva. Inoltre lo studio ha esaminato solo studi di farmaci e non studi di psicoterapia; alcune forme di psicoterapia (CBT, attivazione comportamentale) possono essere utili per sintomi che non rispondono bene ai farmaci. I 3 cluster dovrebbero essere testati in dati di altri studi, per vedere se reggono.
La più grande limitazione per me come psichiatra praticante è che non è chiaro quanto questi risultati possano essere usati nella cura dei singoli pazienti – per una cosa, gli studi spesso escludono le persone con problemi medici o di altro genere come l'abuso di sostanze, ecc.
Domande che avrei:
· In qualità di medico, quanti pazienti dovrei trattare secondo queste previsioni per ottenere un ulteriore paziente migliore di me se scelgo un medicinale antidepressivo a caso?
· Come paziente, quanto aumento le mie probabilità di rispondere a un particolare farmaco se il mio medico segue le raccomandazioni basate su questo studio o sullo strumento online (spring.care), o se sceglie una medicina preferita basata su " la sua esperienza "?
Ma la cosa più interessante per me come ricercatore è che il mio gruppo ha un certo numero di set di dati su cui questo paradigma potrebbe essere testato. Il nostro gruppo nel Depression Evaluation Service della Columbia Psychiatry ha fatto decine di studi per diversi decenni, generalmente usando le stesse scale di valutazione che questa relazione indaga. Potremmo usare lo stesso metodo per guardare il nostro set di dati. Un vantaggio: abbiamo anche eseguito la risonanza magnetica e altre immagini (come l'EEG) in molti dei nostri studi, e abbiamo iniziato a utilizzare questo stesso metodo di apprendimento automatico su campioni di THOSE. Siamo alla ricerca di circuiti cerebrali che l'apprendimento automatico possa identificare come i più correlati alla risposta ai farmaci (e per ciò che riguarda il placebo). Molte volte le cose che la tecnica di machine learning viene in mente sono del tutto inaspettate, quindi mentre tali investigazioni sono in un certo senso "spedizioni di pesca" in un altro modo rappresentano uno dei migliori metodi di esplorazione scientifica: la ricerca nell'ignoto. Naturalmente qualsiasi esplorazione di questo tipo può scoprire il rumore casuale … quindi qualsiasi risultato di questo tipo richiede urgentemente una "replica" in un set di dati diverso … da uno studio completamente diverso.