Un nuevo algoritmo de aprendizaje automático podría ayudar a los médicos a predecir si un paciente con depresión responderá al inhibidor selectivo de la recaptación de serotonina (ISRS) citalopram (Celexa, Forest Laboratories, Inc). Así se puede ahorrar tiempo evitando medicación ineficaz en un paciente dado.
“Vemos esta herramienta siendo utilizada en primera línea, para que la gente tenga más probabilidades de comenzar un tratamiento que funcione para ellos más rápidamente“, lo que ahorraría tiempo y dinero, según el investigador principal, Adam Chekroud, estudiante de doctorado en Neurología Humana del Laboratorio de la Universidad de Yale, en New Haven, Connecticut.
“Si el modelo predice que usted no va a responder, es probable que simplemente deba comenzar con otro fármaco y es posible que se haya ahorrado 3 meses de tomar un medicamento equivocado“, agregó.
La investigación fue publicada en Internet el 20 de enero en la revista The Lancet Psychiatry.
Medicina de Precisión
Utilizando los datos facilitados por los pacientes con depresión del ensayo (STAR * D) -Alternativas de tratamiento en secuencia para aliviar la depresión-, el equipo de Yale identificó las 25 variables más predictivas del resultado del tratamiento. Con esta información para crearon un algoritmo de aprendizaje automático para predecir la remisión clínica con citalopram.
El modelo, que ha sido validado mediante cruzado interno, predijo los resultados de la cohorte STAR * D con una exactitud “significativamente por encima del azar” (64,6%; p <0,0001), según el artículo. El modelo ha superado los resultados de una muestra piloto de 23 psiquiatras y residentes; su precisión media en los resultados de la predicción para 26 pacientes del STAR * D fue de 49,3% (la probabilidad sería 53,9%). El modelo alcanza una superficie media bajo la curva de 0,70 "sugiriendo señal predictiva suficiente en las 25 preguntas“, dicen los investigadores.
El modelo prospectivo identificó a un 62,8% de los pacientes que finalmente alcanzaron la remisión (sensibilidad) y al 66,2% de los pacientes que no pudieron lograr la remisión (especificidad). Los valores predictivos positivos y negativos fueron 64,0% y 65,3%, respectivamente.
El modelo fue validado externamente en el grupo de tratamiento con escitalopram (Lexapro, Forest Laboratories, Inc) del ensayo clínico COMED, -Combinando medicamentos para mejorar los resultados de la depresión-, con una precisión del 59,6% (p = 0,043).
El modelo obtuvo resultados significativamente por encima del azar en pacientes COMED que recibieron la combinación de escitalopram y bupropión (múltiples marcas), con una precisión del 59,7% (p = 0,023), pero no en los que recibieron el inhibidor de la recaptación de serotonina (ISRS) venlafaxina (múltiples marcas), además de la mirtazapina (Remeron, Organon Pharmaceuticals, Inc), con una precisión del 51,4% (p = 0,53).
“Funcionó con los ISRS y con los ISRS mas otro fármaco, pero no funcionó en el IRSN, así que el modelo puede haber recogido algo sobre los ISRS“, explicó Chekroud.
Ensayo y error
Actualmente, sólo un 30% de los pacientes deprimidos alcanza la remisión con la terapia inicial de medicamentos. En la mayoría de los pacientes, hay un período prolongado de ensayo y error, lo que retrasa la mejoría clínica y aumenta tanto el riesgo para el paciente como el coste. “Los pacientes y los médicos realmente no tienen idea de si un antidepresivo va a funcionar cuando comienzan a tomarlo“, añadió Chekroud.
La Psiquiatría carece de medicamentos de precisión, en contraste con otras áreas de la medicina, como la oncología, la cardiología y los cuidados intensivos, en los que los se utilizan a menudo algoritmos para guiar las decisiones de tratamiento, según el artículo.
Ellos dicen que sus hallazgos son “un paso en la dirección de la medicina de precisión para la psiquiatría. El modelo utiliza información fácil de obtener (remitida por los pacientes), y podría ser accesible por internet utilizando un dispositivo móvil, portátil o un ordenador de sobremesa“.
“Este es uno de un número creciente de estudios que utilizan información de base para predecir la respuesta diferencial en el tratamiento de la depresión“, dijo Ronald C. Kessler, Doctor de la Escuela de Medicina de Harvard, en Boston, Massachusetts, y que no participó en el estudio.
“Cada vez está más claro a partir de estos estudios que se pueden hacer diferenciaciones útiles en los pacientes antes de comenzar el tratamiento para personalizar la selección de tratamientos. Un sistema práctico e integrado para hacer esto aún no está disponible, pero es casi seguro que estará disponible con el tiempo, basado en la acumulación de resultados como los reportados aquí“, dijo el Dr. Kessler.
La Doctora Carmine M. Pariante, MD, PhD, FRC Psych, del Instituto de Psiquiatría del Kings College de Londres, Reino Unido, dijo que este artículo “aborda una importante necesidad clínica, ¿Podemos predecir antes de comenzar con un antidepresivo si un paciente realmente se va a beneficiar?
“El uso de información clínica para hacer esto es un enfoque“, dijo la Dra. Pariante, “pero también hay una gran cantidad de trabajo que se realiza con los biomarcadores sanguíneos para personalizar la respuesta antidepresiva. Mi sensación es que el mejor algoritmo combinará quizás de cinco a diez variables clínicas integradas con tal vez dos o tres biomarcadores clave, lo que realmente nos puede llevar más cerca de un 100% de eficacia predictiva“, dijo la Dra. Pariante, que no participó en el estudio.
La Universidad de Yale proporcionó fondos para esta investigación. Varios autores reportaron relaciones con las empresas farmacéuticas, que se enumeran en el artículo original.
..Jorge Tamayo
