Trots framsteg inom prediktiva modeller för antidepressiv behandling är det oklart om dessa modeller kan tillämpas i olika kliniska och geografiska sammanhang. Studien syftar till att utvärdera om kliniska och neuroimaging-baserade prediktorer kan förutsäga behandlingssvar på sertralin och escitalopram i olika prövningar.
Metoder
- Deltagare: 363 vuxna patienter med MDD från EMBARC (USA) och CANBIND-1 (Kanada).
- Data: Funktionell och strukturell magnetresonanstomografi (MRI), kliniska och demografiska data.
- Analys: Maskininlärningsmodeller tränades på data från en prövning och testades på en annan för att utvärdera generaliserbarhet.
Resultat
- Modeller baserade på funktionell anslutning i den dorsala främre cingulära cortex (dACC) och kliniska data visade måttlig generaliserbarhet mellan prövningarna (AUC mellan 0,62 och 0,67).
- Neuroimaging-funktioner förbättrade prediktionsprestandan jämfört med enbart kliniska data.
- Tidiga behandlingsdata (vecka 2) gav bättre generaliseringsprestanda än data före behandling.
Slutsatser
Studien visar att modeller för att förutsäga antidepressiv behandling har betydande generaliserbarhet mellan olika kliniska prövningar. Detta understryker potentialen för att använda neuroimaging och kliniska data för att förbättra individanpassad behandling vid depression.
