Un algoritmo di intelligenza artificiale prevede accuratamente l’efficacia dei farmaci antidepressivi in pazienti specifici
Il trattamento personalizzato per la depressione potrebbe presto diventare una realtà, grazie a un algoritmo di intelligenza artificiale (AI) che prevede accuratamente l’efficacia dei farmaci antidepressivi in pazienti specifici. Lo rivela una ricerca pubblicata online su “Nature Biotechnology”.
Uno studio ‘landmark’ su oltre 300 pazienti con disturbo depressivo maggiore (MDD) ha mostrato che un algoritmo di apprendimento automatico su misura per elettroencefalogramma (EEG) a riposo ha predetto con precisione la risposta del paziente alla sertralina. I risultati erano generalizzabili in diversi siti di studio e con differenti apparecchiature EEG.
«Abbiamo scoperto che l’uso dell’algoritmo di AI può identificare la “firma” EEG per i pazienti che rispondono bene alla sertralina» scrivono gli autori, guidati da Madhukar H. Trivedi, professore di psichiatria presso il Southwestern Medical Center dell’Università del Texas a Dallas.
«È interessante notare che, quando abbiamo analizzato il tracciato in modo più approfondito, è diventato chiaro che i pazienti con la stessa firma EEG non rispondevano bene al placebo» precisano.
Quali erano le motivazioni alla base dello studio?
Attualmente, la depressione maggiore è definita utilizzando una serie di criteri clinici. Come tale, comprende una miscela eterogenea di fenotipi neurobiologici. Tale eterogeneità può spiegare la modesta superiorità dei farmaci antidepressivi rispetto al placebo.
Mentre recenti ricerche suggeriscono che l’EEG in condizioni di riposo può aiutare a identificare l’eterogeneità predittiva in termini di risposta al trattamento nella depressione, questi studi sono stati ostacolati anche dalla mancanza di convalida incrociata e da piccole dimensioni del campione.
Inoltre, questi studi hanno identificato predittori non specifici o non sono riusciti a produrre ‘firme’ neurali generalizzabili che fossero predittive a livello di singolo paziente. Per questi motivi, spiegano i ricercatori, attualmente non esiste una solida ‘firma’ neurobiologica per un fenotipo sensibile agli antidepressivi che possa aiutare a identificare quali pazienti potrebbero trarre beneficio da tali farmaci.
Tuttavia, ha affermato Trivedi, il dettaglio di tale firma promuoverà una comprensione neurobiologica della risposta al trattamento, con la possibilità di notevoli implicazioni cliniche. «L’idea alla base di questo studio finanziato dal National Institutes of Health era quello di sviluppare biomarcatori in grado di distinguere i risultati del trattamento tra farmaco e placebo» spiegano i ricercatori.
«Per fare ciò, avevamo bisogno di uno studio randomizzato, controllato con placebo, che avesse una portata significativa in termini di valutazione e validazione dei biomarcatori, e questo studio è stato progettato specificamente con questo scopo in mente».
Che metodi sono stati usati e quali risultati sono emersi?
Come aiuto per affrontare queste sfide, Trivedi e colleghi hanno sviluppato un algoritmo di apprendimento automatico che hanno chiamato SELSER (Sparse EEG Latent Space Regression).
Usando i dati di quattro studi separati, hanno prima stabilito il tracciato EEG a riposo a riposo allenando SELSER sui dati di 309 pazienti dello studio EMBARC (Stabilating Moderators and Biosignature of Antidepressant Response in Clinic Care), uno studio abbinato di neuroimaging, randomizzato, controllato con placebo, sull’efficacia degli antidepressivi.
La generalizzabilità della firma predittiva sulla risposta agli antidepressivi è stata quindi testata in un secondo campione indipendente di 72 pazienti depressi. In un terzo campione indipendente di 24 pazienti depressi, i ricercatori hanno valutato la validità convergente e il significato neurobiologico del tracciato EEG in stato di riposo predittiva del trattamento. Infine, un quarto campione di 152 pazienti depressi è stato utilizzato per testare la generalizzabilità dei risultati.
La necessità di una validazione, le prospettive spalancate su altre patologie
Questi sforzi combinati hanno mirato a rivelare un fenotipo sensibile alla terapia nella depressione, distinguendo tra terapia farmacologica e risposta placebo, stabilirne il significato meccanicistico e fornire prove iniziali sul potenziale di selezione del trattamento sulla base di un tracciato EEG a riposo.
Lo studio ha dimostrato che l’algoritmo era predittivo di un miglioramento dei sintomi dei pazienti. Queste previsioni erano specifiche per la sertralina rispetto al placebo.
Quando sono stati generalizzati a due campioni di depressione, i ricercatori hanno anche scoperto che l’algoritmo rifletteva la reattività generale ai farmaci antidepressivi e si correlava in modo differente a un esito del trattamento ripetitivo di stimolazione magnetica transcranica (TMS).
«Anche se abbiamo esaminato solo la sertralina» affermano Trivedi e colleghi «è stata applicata la ‘firma’ anche a un campione di pazienti che erano stati trattati con TMS. E abbiamo scoperto che la ‘firma’ per la risposta alla TMS è diversa da quella per la sertralina».
È interessante notare che il tracciato predittivo di risposta agli antidepressivi identificato da SELSER era anche superiore a quello dei modelli convenzionali di apprendimento automatico o dei metodi di modellazione latente, come l’analisi dei componenti indipendenti o l’analisi dei componenti principali. Gli autori hanno inoltre scoperto che la forza della ‘firma’ allo stato di riposo era correlata alla reattività neurale prefrontale, come indicato dalla stimolazione diretta con TMS a singolo impulso e dall’EEG.
Data la capacità dell’algoritmo di prevedere sia l’esito con sertralina sia di distinguere la risposta tra sertralina e placebo a livello di singolo paziente, i ricercatori ritengono che un giorno SELSER possa supportare approcci personalizzati basati sulla machine learning per il trattamento della depressione.
«I nostri risultati superano la comprensione neurobiologica del trattamento antidepressivo attraverso un modello computazionale su misura mediante EEG e forniscono una strada clinica per il trattamento personalizzato della depressione» scrivono gli autori.
Tuttavia, il loro lavoro è tutt’altro che finito. Tra i prossimi passi dei ricercatori c’è lo sviluppo di un’interfaccia AI che possa essere ampiamente integrata con gli EEG in tutto il paese, in quanto il metodo deve essere ulteriormente validato. «La prossima domanda è se può essere esteso ad altre malattie».