Titel: Het beloop van depressie voorspellen met machine learning
Deze post maakt deel uit van de rubriek “Psychiatrie van de Toekomst” in het Tijdschrift voor Psychiatrie, in samenwerking met De Jonge Psychiater (pdf versie)
Waarom dit onderzoek?
Het beloop van een depressie zou afhankelijk kunnen zijn van veel verschillende factoren, zoals demografische (bijv. leeftijd en geslacht), klinische (bijv. ernst van de depressie en vroegkinderlijk trauma), psychologische (bijv. lage extraversie en hoog neuroticisme) of biologische (inflammatiemarkers en metabool syndroom). Met gecomputeriseerde analysetechnieken zou misschien berekend kunnen worden of een combinatie van deze factoren het beloop van een individueel depressietraject kan voorspellen.
Onderzoeksvraag
Kan het ziektebeloop bij een patiënt met een depressie voorspeld worden met machine learning?
Hoe werd dit onderzocht?
Uit de populatiestudie nesda werden in totaal 804 patiënten met een unipolaire depressieve stoornis (dsm-iv) gedurende 2 jaar onderzocht op 81 demografische, klinische, psychologische en biologische factoren, al dan niet gecombineerd met een willekeurige behandeling. Onderzocht werd of de computer de optimale set van factoren kon identificeren om per patiënt te voorspellen of en hoe snel remissie van depressie zou optreden.
Belangrijkste resultaten
Snelle remissie kon met een area under the roc-curve (auroc) van 0,69 voorspeld worden en afwezigheid van een depressie na 2 jaar met een auroc van 0,66 (waarbij 0,5 = geen en 1,0 = perfect diagnostisch vermogen). Van de 81 factoren was alleen de ernst van de depressie, gemeten met de Inventory of Depressive Symptomatology (ids) bij aanvang, een statistisch significante voorspeller voor het beloop. De andere 80 factoren gaven dus geen toegevoegde informatie.
Hoe zal dit onderzoek ons vak veranderen?
Dit onderzoek bevestigt dat het beloop van depressie zich matig laat voorspellen, zelfs door een computer die ruim 80 parameters met wiskundige precisie combineert. Tot zover sluit dit onderzoek aan bij de werkelijkheid in de spreekkamer. Mogelijk moeten we proberen voorspellingen te doen in specifiekere subgroepen of settings, bijvoorbeeld om het effect van psychotherapie of antidepressiva te voorspellen in de eerste of tweede lijn. Ook zouden andere biologische parameters (bijv. fmri) wel kunnen bijdragen aan het voorspellen van beloop of behandeleffect (Drysdale e.a. 2017). Hoewel de aanpak met machine learning in dit onderzoek weinig opleverde, kan dit type onderzoek uiteindelijk vooruitgang betekenen voor ons vak. Hopelijk kan met machine learning een prognostisch model gemaakt worden om behandelkeuzes te personaliseren.
Referentie
- Dinga R, Marquand AF, Veltman DJ, Beekman ATF, Schoevers RA, van Hemert AM, e.a. Predicting the naturalistic course of depression from a wide range of clinical, psychological, and biological data: a machine learning approach. Transl Psychiatry 2018; 8: 241.
- Drysdale AT, Grosenick L, Downar J, Dunlop K, Mansouri F, Meng Y, e.a. Resting-state connectivity biomarkers define neurophysiological subtypes of depression. Nat Med 2017; 23: 28-38.
Deze post maakt deel uit van de rubriek “Psychiatrie van de Toekomst” in het Tijdschrift voor Psychiatrie, in samenwerking met De Jonge Psychiater (pdf versie)
