Maschinelles Lernen und Antidepressiva

Vor einigen Wochen (22. Februar 2017) erschien eine neue Studie in JAMA Psychiatry , einer der führenden psychiatrischen Fachzeitschriften mit dem Titel "Die Wirksamkeit und Vorhersagbarkeit von Antidepressiva-Behandlungen neu bewerten: Ein Symptom-Clustering-Ansatz". In dieser Studie hat Dr Adam M. Chekroud und seine Kollegen verwendeten eine neu beliebte statistische Technik, maschinelles Lernen, um die Frage zu stellen: "Welcher Patient mit Major Depression (MDD) wird auf welches Medikament reagieren?"

Bis jetzt war diese Wahl grundsätzlich Versuch und Irrtum.

Dieser Bericht verwendet Daten aus 9 großen zuvor durchgeführten Antidepressiva-Behandlungsstudien, darunter 2 große vom Bund finanzierte Studien STAR * D und CoMED, und 7 Studien von Arzneimittelunternehmen, die verschiedene Medikamente vergleichen. Es ist Teil eines fortwährenden Prozesses der Nutzung von maschinellem Lernen und verwandten Ansätzen, um wirksamere Behandlungen zu identifizieren (siehe Arbeiten des Hauptautors AM Chekroud und https://www.spring.care).

Dieser erfinderische "maschinelle Lern" -Ansatz wird verwendet, um Muster zu identifizieren, die mit einer besseren Reaktion auf eine Behandlung in vielen Zweigen der Medizin einschließlich der Psychiatrie zusammenhängen. Maschinelles Lernen findet Muster, um die Reaktion der Behandlung in den Daten selbst vorherzusagen, anstatt sich auf Vorurteile von Forschern oder Klinikern zu verlassen, welche Symptome am wichtigsten sind oder wie sie zusammenhängen. Die Technik sucht innerhalb des Datensatzes häufig die Verbindungen unter Verwendung einer "N minus 1" -Methode, Subtrahieren eines Subjekts bei jeder Analyse und andere Male Nehmen eines Teils des Datensatzes, beispielsweise eine Hälfte, und Vergleichen des in diesem Teil beobachteten Musters gegen den anderen. Dann können diese Muster mit Daten aus anderen Studien getestet werden, um zu sehen, ob sie noch prädiktiv sind.

Die meisten Forscher glauben, dass eine schwere Depression "heterogen" ist – das heißt, sie umfasst mehrere verschiedene Zustände mit ähnlichen Symptomen, nicht eine einzige Störung; Es gibt also einen signifikanten Wert, wenn es möglich ist, Subtypen zu entwirren, sowohl für die Reaktion der Medizin als auch für das Verständnis der unterschiedlichen Biologie dieser vermutlich unterschiedlichen Zustände.

Die Forscher in dieser aktuellen Studie fanden 3 Haupt-Cluster von Symptomen (was sie als Kern-emotional bezeichnen; Schlaf (Schlaflosigkeit) und "atypische Symptome"). Im Allgemeinen fanden sie heraus, dass Antidepressiva besser für die emotionalen Symptome als für die anderen 2 Cluster von Symptomen funktionierten. Einige der Medikamente waren in einigen Bereichen wirksamer als andere (hohe Dosen des Serotonin-Noradrenalin-Wiederaufnahmehemmers Duloxetin gegenüber dem SSRI-Escitalopram).

Ein nützliches Ergebnis dieser Studie ist ein Online-Tool, https://www.spring.care/spring-assessment, ein Fragebogen, der von Patienten und Ärzten zur Entscheidungsfindung verwendet werden kann.

Eine faszinierende Möglichkeit: Die Studie (und möglicherweise auch das neue Tool) könnte bei einer "personalisierten" Behandlung helfen und das Antidepressivum an einen bestimmten Patienten aufgrund seiner Symptome anpassen.

Es könnte möglicherweise bei der Entwicklung neuer Medikamente helfen, die sich auf diese Symptome konzentrieren könnten. Und es könnte möglicherweise Studien über die Biologie der Depression leiten, da verschiedene Symptom-Cluster unterschiedliche Abnormalitäten in den Gehirnen von Menschen mit Depressionen widerspiegeln können – verschiedene Gehirn-Schaltkreise können an diesen verschiedenen Symptom-Clustern beteiligt sein.

Die Studie hat einige Grenzen: unterschiedliche Studiendesigns (zwei der Studien verwendeten kein Placebo; die "Verblindung" unterschied sich zwischen den Studien), und 7 der 9 Studien waren mit einem Medikament (Duloxetin). Auch waren die Symptomcluster nicht in allen Studien gleich, mit etwas anderen Items in verschiedenen Studien, was darauf hindeutet, dass sie nicht "in Stein gemeißelt" sind und wir nicht das definitive Verständnis davon haben. Auch untersuchte die Studie nur Medikationsstudien und keine Psychotherapiestudien; Einige Formen der Psychotherapie (CBT, Verhaltensaktivierung) können bei Symptomen nützlich sein, die nicht gut auf Medikamente ansprechen. Die 3 Cluster sollten in Daten aus anderen Studien getestet werden, um zu sehen, ob sie bestehen bleiben.

Die größte Einschränkung für mich als praktizierender Psychiater ist, dass es nicht klar ist, wie gut diese Befunde bei der Versorgung einzelner Patienten eingesetzt werden können. Zum einen schließen Studien häufig Menschen mit medizinischen oder anderen Problemen wie Drogenmissbrauch etc. aus.

Fragen, die ich hätte:

· Wie viele Patienten müsste ich als Arzt nach diesen Vorhersagen behandeln, um einen zusätzlichen Patienten besser zu behandeln, als wenn ich zufällig ein Antidepressivum wählen würde?

· Wie viel kann ich als Patient meine Wahrscheinlichkeit erhöhen, auf ein bestimmtes Medikament zu reagieren, wenn mein Arzt den Empfehlungen auf Basis dieser Studie oder des Online-Tools (spring.care) folgt, oder wenn er / sie ein Lieblingsmedikament auf der Grundlage von " seine / ihre Erfahrung "?

Aber am interessantesten für mich als Forscher ist, dass meine Gruppe eine Reihe von Datensätzen hat, an denen dieses Paradigma getestet werden könnte. Unsere Gruppe im Depressions-Evaluierungsdienst an der Columbia Psychiatrie hat Dutzende von Studien über mehrere Jahrzehnte durchgeführt, die im Allgemeinen die gleichen Bewertungsskalen verwenden dass dieser Bericht untersucht. Wir könnten die gleiche Methode verwenden, um unseren Datensatz zu betrachten. Ein Bonus: Bei vielen unserer Studien haben wir auch MRT und andere bildgebende Verfahren (wie EEG) durchgeführt, und wir haben damit begonnen, dieselbe Methode des maschinellen Lernens auf THOSE-Proben anzuwenden. Wir suchen nach Gehirn-Schaltkreisen, die das maschinelle Lernen als die am meisten mit der Medikation (und in diesem Fall mit Placebo) in Zusammenhang stehenden Reaktionen identifizieren könnte. Oftmals sind die Dinge, die die maschinelle Lerntechnik hervorbringt, völlig unerwartet, und während solche Untersuchungen in gewisser Weise "Fishing Expeditions" auf eine andere Art sind, stellen sie eine der besten Methoden der wissenschaftlichen Erforschung dar – Suche ins Unbekannte. Natürlich kann jede solche Erkundung Zufallsrauschen entdecken … also erfordern solche Ergebnisse dringend eine "Replikation" in einem anderen Datensatz … aus einer völlig anderen Studie.