Il y a quelques semaines (le 22 février 2017), une nouvelle étude a été publiée dans JAMA Psychiatry , l'un des meilleurs journaux psychiatriques, intitulé «Réévaluer l'efficacité et la prévisibilité des traitements antidépresseurs: une approche de regroupement des symptômes». Adam M. Chekroud et ses collègues ont utilisé une nouvelle technique statistique, l'apprentissage automatique, pour poser la question suivante: «quel patient atteint d'un trouble dépressif majeur (TDM) répondra à quel médicament?
Jusqu'à présent, ce choix a été essentiellement un essai et une erreur.
Ce rapport utilise les données de 9 grandes études de traitement antidépresseur réalisées précédemment, y compris 2 grandes études financées par le gouvernement fédéral STAR * D et CoMED, et 7 études de sociétés pharmaceutiques, en comparant différents médicaments. Cela fait partie d'un processus continu d'utilisation de l'apprentissage automatique et des approches connexes pour identifier des traitements plus efficaces (voir le travail de l'auteur principal, AM Chekroud, et https://www.spring.care)
Cette approche «d'apprentissage automatique» inventive est utilisée pour identifier les modèles liés à une meilleure réponse au traitement dans de nombreuses branches de la médecine, y compris la psychiatrie. L'apprentissage automatique trouve des modèles pour prédire la réponse au traitement dans les données elles-mêmes, plutôt que de s'appuyer sur des idées préconçues des chercheurs ou des cliniciens sur les symptômes les plus importants ou sur les liens entre eux. La technique recherche dans l'ensemble de données en testant souvent les connexions en utilisant une méthode "N moins 1", en soustrayant un sujet à chaque analyse, et en prenant d'autres fois une partie de l'ensemble de données, et en comparant le modèle observé dans cette partie par rapport à l'autre. Ensuite, ces modèles peuvent être testés sur des données provenant d'autres études, pour voir si elles sont encore prédictives.
La plupart des chercheurs croient que la dépression majeure est «hétérogène», c'est-à-dire qu'elle comprend plusieurs conditions différentes avec des symptômes similaires, pas un seul trouble; il y a donc une valeur significative s'il est possible de démêler les sous-types, à la fois pour la réponse aux médicaments et pour comprendre la biologie différente de ces conditions probablement différentes.
Les chercheurs de cette étude récente ont trouvé trois principaux groupes de symptômes (ce qu'ils appellent le noyau émotionnel, le sommeil (insomnie) et les symptômes atypiques). En général, ils ont trouvé que les antidépresseurs fonctionnaient mieux pour les symptômes émotionnels que pour les deux autres groupes de symptômes. Certains médicaments étaient plus efficaces que d'autres dans certaines régions (forte dose d'inhibiteur de la recapture de la sérotonine-norépinéphrine, la duloxétine, par rapport à l'escitalopram ISRS).
Un résultat utile de cette étude est un outil en ligne, https://www.spring.care/spring-assessment, un questionnaire qui peut être utilisé par les patients et les médecins pour aider à prendre des décisions.
Une possibilité intrigante: L'étude (et éventuellement le nouvel outil) pourrait aider avec un traitement «personnalisé», en associant un antidépresseur à un patient spécifique en fonction de ses symptômes.
Il pourrait potentiellement aider au développement de nouveaux médicaments qui pourraient se concentrer sur ces groupes de symptômes. Et il pourrait éventuellement guider les études de la biologie de la dépression, car différents groupes de symptômes peuvent refléter différentes anomalies dans le cerveau des personnes atteintes de dépression – différents circuits cérébraux peuvent être impliqués dans ces différents groupes de symptômes.
L'étude a quelques limites: différents modèles d'étude (deux des études n'ont pas utilisé de placebo, le «cécité» a différé entre les études), et sept des neuf études étaient avec un médicament (duloxétine). En outre, les groupes de symptômes n'étaient pas les mêmes dans toutes les études, avec des éléments quelque peu différents dans différentes études, ce qui suggère qu'ils ne sont pas «gravés dans la pierre» et que nous n'en avons pas la compréhension définitive. De plus, l'étude n'a examiné que les études de médicaments et non les études de psychothérapie; Certaines formes de psychothérapie (TCC, activation comportementale) peuvent être utiles pour les symptômes qui ne répondent pas bien aux médicaments. Les trois groupes devraient être testés dans les données d'autres études, pour voir s'ils résistent.
La plus grande limite pour moi en tant que psychiatre praticien est qu'on ne voit pas bien comment ces résultats peuvent être utilisés dans les soins de patients individuels. D'une part, les études excluent souvent les personnes ayant des problèmes médicaux ou autres comme la toxicomanie, etc.
Questions que j'aurais:
· En tant que médecin, combien de patients aurais-je besoin de traiter selon ces prévisions pour obtenir 1 patient supplémentaire de mieux que si je choisis un médicament antidépresseur au hasard?
· En tant que patient, combien augmente-t-il ma probabilité de répondre à un médicament particulier si mon médecin suit les recommandations basées sur cette étude ou l'outil en ligne (spring.care), ou s'il choisit un médicament préféré basé sur " son expérience "?
Mais le plus intéressant pour moi en tant que chercheur est que mon groupe possède un certain nombre d'ensembles de données dans lesquels ce paradigme pourrait être testé. Notre groupe dans le service d'évaluation de la dépression de Columbia Psychiatry a fait des dizaines d'études sur plusieurs décennies. que ce rapport enquête. Nous pourrions utiliser la même méthode pour regarder notre ensemble de données. Un bonus: nous avons également fait de l'IRM et d'autres images (comme EEG) sur plusieurs de nos études, et nous avons commencé à utiliser cette même méthode d'apprentissage automatique sur ces échantillons. Nous sommes à la recherche de circuits cérébraux que l'apprentissage automatique pourrait identifier comme la réponse la plus importante à la médication (et, d'ailleurs, au placebo). Plusieurs fois, les choses que la technique d'apprentissage automatique arrive à faire sont totalement inattendues, alors que ces enquêtes sont en quelque sorte des «expéditions de pêche» d'une autre manière, elles représentent l'une des meilleures méthodes d'exploration scientifique. Bien sûr, toute exploration de ce genre peut révéler un bruit aléatoire … donc toute découverte de ce type nécessite de toute urgence une "réplication" dans un ensemble de données différent … provenant d'une étude entièrement différente.
