Há algumas semanas (22 de fevereiro de 2017), um novo estudo surgiu na JAMA Psychiatry , uma das principais revistas psiquiátricas, intitulada "Reavaliando a Eficácia e Previsibilidade de Tratamentos Antidepressivos: Uma Abordagem de Clustering de Sintomas". Neste estudo, o Dr. . Adam M. Chekroud e colegas usaram uma técnica estatística recém-popular, aprendizado em máquina, para fazer a pergunta: "qual paciente com transtorno depressivo maior (MDD) responderá a qual medicação?"
Até agora, esta escolha foi basicamente tentativa e erro.
Este relatório usa dados de 9 grandes estudos de tratamento de antidepressivos realizados anteriormente, incluindo 2 grandes estudos financiados pelo governo federal STAR * D e CoMED e 7 estudos de empresas farmacêuticas, comparando diferentes medicamentos. Faz parte de um processo contínuo de utilização de aprendizagem mecânica e abordagens relacionadas para identificar tratamentos mais eficazes (ver trabalho do autor principal, AM Chekroud e https://www.spring.care)
Essa abordagem inventiva de "aprendizagem em máquina" está sendo usada para identificar padrões relacionados a uma melhor resposta ao tratamento em vários ramos da medicina, incluindo a psiquiatria. A aprendizagem mecânica encontra padrões para prever a resposta do tratamento nos dados em si, em vez de confiar em preconceitos de pesquisadores ou clínicos sobre quais sintomas são mais importantes ou como eles estão inter-relacionados. A técnica procura dentro do conjunto de dados testando freqüentemente as conexões usando um método "N menos 1", subtraindo um assunto em cada análise e outras vezes fazendo parte do conjunto de dados, digamos metade e comparando o padrão observado nessa parte versus o outro. Então, esses padrões podem ser testados em dados de outros estudos, para ver se eles ainda são preditivos.
A maioria dos pesquisadores acredita que a depressão maior é "heterogênea" – isto é, inclui várias condições diferentes com sintomas semelhantes, não uma única desordem; então há um valor significativo se for possível desembarcar subtipos, tanto para a resposta de medicamentos quanto para a compreensão da biologia diferente dessas condições presumivelmente diferentes.
Os pesquisadores deste estudo recente encontraram 3 grandes grupos de sintomas (o que eles chamam de emocional do núcleo, sono (insônia) e "sintomas atípicos"). Em geral, eles descobriram que os antidepressivos funcionavam melhor para os sintomas emocionais do que para os outros 2 cachos de sintomas. Alguns dos medicamentos foram mais eficazes do que outros em algumas áreas (alta dose do inibidor da recaptação de serotonina-norepinefrina duloxetina versus SSIV escitalopram).
Um resultado útil deste estudo é uma ferramenta on-line, https://www.spring.care/spring-assessment, um questionário que pode ser usado por pacientes e médicos para ajudar a tomar decisões.
Uma possibilidade intrigante: o estudo (e possivelmente a nova ferramenta) poderia ajudar com o tratamento "personalizado", combinando antidepressivos com um paciente específico com base em seus sintomas.
Poderia potencialmente ajudar no desenvolvimento de novos medicamentos que poderiam focar esses clusters de sintomas. E poderia orientar estudos da biologia da depressão, uma vez que diferentes clusters de sintomas podem refletir diferentes anormalidades no cérebro de pessoas com depressão – diferentes circuitos cerebrais podem estar envolvidos nesses diferentes clusters de sintoma.
O estudo possui alguns limites: diferentes modelos de estudo (dois dos estudos não utilizaram placebo, o "cegueira" diferiu entre os estudos) e 7 dos 9 estudos estavam com um medicamento (duloxetina). Além disso, os clusters de sintoma não eram os mesmos em todos os estudos, com itens um pouco diferentes em diferentes estudos, o que sugere que eles não estão "escritos em pedra" e talvez não tenhamos a compreensão definitiva deles. Também o estudo apenas analisou estudos de medicação e não estudos de psicoterapia; Algumas formas de psicoterapia (CBT, ativação comportamental) podem ser úteis para sintomas que não respondem bem aos medicamentos. Os 3 clusters devem ser testados em dados de outros estudos, para ver se eles sustentam.
A maior limitação para mim como psiquiatra praticante é que não está claro o quão bem essas descobertas podem ser usadas no cuidado de pacientes individuais – por uma coisa, os estudos geralmente excluem pessoas com problemas médicos ou outros como abuso de substâncias, etc.
Perguntas que eu teria:
· Como médico, quantos pacientes eu precisaria tratar de acordo com essas previsões para obter um paciente adicional melhor do que se eu escolher um medicamento antidepressivo ao acaso?
· Como paciente, quanto eu aumento minha probabilidade de responder a um medicamento em particular se o meu médico seguir recomendações com base neste estudo ou na ferramenta online (spring.care), vs. se ele / ela escolher um medicamento favorito com base em " sua experiência "?
Mas o mais interessante para mim como pesquisador é que o meu grupo possui uma série de conjuntos de dados em que esse paradigma poderia ser testado. Nosso grupo no Serviço de Avaliação de Depressão na Columbia Psychiatry realizou dezenas de estudos ao longo de várias décadas, geralmente usando as mesmas escalas de classificação que este relatório investiga. Podemos usar o mesmo método para analisar nosso conjunto de dados. Um bônus: também fizemos ressonância magnética e outras imagens (como o EEG) em muitos de nossos estudos, e começamos a usar esse mesmo método de aprendizado de máquina nessas amostras. Estamos à procura de circuitos cerebrais que o aprendizado da máquina pode identificar como mais relacionado à medicação (e, nesse caso, ao placebo). Muitas vezes, as coisas que a técnica de aprendizado da máquina trazem são inteiramente inesperadas, então, enquanto essas investigações são de uma forma "expedições de pesca" de outra forma, eles representam um dos melhores métodos de pesquisa científica – buscando o desconhecido. Claro que qualquer exploração pode descobrir o barulho aleatório … então, tais descobertas requerem urgentemente "replicação" em um conjunto de dados diferente … de um estudo completamente diferente.
