Несколько недель назад (22 февраля 2017 года) в JAMA Psychiatry , одном из ведущих психиатрических журналов, было опубликовано новое исследование под названием «Переоценка эффективности и предсказуемости лечения антидепрессантами: подход кластеризации симптомов». В этом исследовании д-р Adam M. Chekroud и его коллеги использовали недавно популярную статистическую технику, машинное обучение, чтобы задать вопрос: «Какой пациент с основным депрессивным расстройством (MDD) будет реагировать на какие лекарства?»
До сих пор этот выбор был в основном проб и ошибок.
В этом отчете использованы данные из 9 крупных ранее проведенных исследований антидепрессантов, в том числе 2 крупных финансируемых из федерального бюджета исследований STAR * D и CoMED и 7 исследований фармацевтических компаний, сравнивающих разные лекарства. Это часть непрерывного процесса использования машинного обучения и соответствующих подходов для определения более эффективных методов лечения (см. Работу основного автора, AM Chekroud и https://www.spring.care)
Этот изобретательский подход «машинного обучения» используется для выявления закономерностей, связанных с лучшим ответом на лечение во многих отраслях медицины, включая психиатрию. Машинное обучение находит закономерности для прогнозирования реакции лечения в самих данных, вместо того, чтобы полагаться на предубеждения исследователей или клиницистов, о которых симптомы являются наиболее важными или как они взаимосвязаны. Метод выполняет поиск в наборе данных, часто проверяя соединения с использованием метода «N минус 1», вычитая по одному субъекту при каждом анализе и в других случаях принимая часть набора данных, скажем, наполовину, и сравнивая шаблон, наблюдаемый в этой части по сравнению с другим. Затем эти образцы могут быть проверены на основе данных других исследований, чтобы убедиться, что они все еще являются прогностическими.
Большинство исследователей считают, что большая депрессия является «гетерогенной», то есть она включает в себя несколько различных состояний с похожими симптомами, а не одним расстройством; поэтому существует значительная ценность, если можно отделить подтипы, как для ответа на лекарства, так и для понимания различной биологии этих предположительно разных условий.
Исследователи в этом недавнем исследовании обнаружили 3 основных кластера симптомов (что они называют основным эмоциональным, сон (бессонница) и «атипичные симптомы»). В общем, они обнаружили, что антидепрессанты лучше работают для эмоциональных симптомов, чем для других 2-х кластеров симптомов. Некоторые из лекарств были более эффективными, чем другие в некоторых областях (высокая доза ингибитора обратного захвата серотонина и норэпинефрина дулоксетин против эсциталопрама SSRI).
Одним из полезных результатов этого исследования является онлайн-инструмент https://www.spring.care/spring-assessment, вопросник, который может использоваться пациентами и врачами для принятия решений.
Одна интригующая возможность: исследование (и, возможно, новый инструмент) может помочь в «персонализированном» лечении, соответствующем антидепрессанту конкретному пациенту на основе их симптомов.
Это могло бы потенциально помочь в разработке новых лекарств, которые могли бы сосредоточиться на этих кластерах симптомов. И это может привести к изучению биологии депрессии, поскольку различные кластеры симптомов могут отражать различные аномалии в мозге людей с депрессией – различные мозговые цепи могут быть вовлечены в эти различные кластеры симптомов.
Исследование имеет некоторые ограничения: разные схемы исследований (два исследования не использовали плацебо, «ослепление» различалось между исследованиями), а 7 из 9 исследований были с одним лекарственным средством (дулоксетином). Кроме того, кластеры симптомов не были одинаковыми во всех исследованиях, причем несколько разных предметов в разных исследованиях, что говорит о том, что они не «написаны на камне», и у нас может не быть окончательного понимания их. Также в исследовании изучались только медикаментозные исследования, а не психотерапевтические исследования; некоторые формы психотерапии (CBT, поведенческая активация) могут быть полезны для симптомов, которые плохо реагируют на лекарства. 3 кластера должны быть проверены в данных из других исследований, чтобы проверить, сохраняются ли они.
Самое большое ограничение для меня, как практикующего психиатра, заключается в том, что неясно, насколько хорошо эти результаты могут быть использованы для ухода за отдельными пациентами – во-первых, исследования часто исключают людей с медицинскими или другими проблемами, такими как злоупотребление психоактивными веществами и т. Д.
Вопросы, которые у меня были бы:
· Как врач, сколько пациентов мне нужно было бы лечить в соответствии с этими предсказаниями, чтобы получить 1 дополнительный больной лучше, чем если бы я случайно выбрал антидепрессантное лекарство?
· Как пациент, насколько я увеличиваю вероятность ответа на конкретное лекарство, если мой врач будет следовать рекомендациям, основанным на этом исследовании или онлайн-инструменте (spring.care), если он / она выбирает любимое лекарство, основанное на " его / ее опыт "?
Но наиболее интересным для меня, как исследователя, является то, что в моей группе есть множество наборов данных, которые можно было бы испытать в этой парадигме. Наша группа в службе оценки депрессии в Columbia Psychiatry провела десятки исследований в течение нескольких десятилетий, обычно используя одни и те же рейтинговые шкалы что этот отчет исследует. Мы могли бы использовать тот же метод, чтобы посмотреть наш набор данных. Один из бонусов: мы также проводили МРТ и другие средства визуализации (такие как ЭЭГ) во многих наших исследованиях, и мы начали использовать тот же метод машинного обучения по этим образцам. Мы ищем мозговые цепи, которые машинное обучение может идентифицировать как наиболее связанные с медикаментами (и в этом отношении, плацебо). Много раз вещи, которые приступает к технике машинного обучения, совершенно неожиданны, поэтому, хотя такие исследования являются в некотором смысле «промысловыми экспедициями» по-другому, они представляют собой один из лучших методов научного исследования – поиск неизвестного. Конечно, любое такое исследование может обнаружить случайный шум … поэтому любые такие данные срочно требуют «репликации» в другом наборе данных … из совершенно другого исследования.
