DOI: https://doi.org/10.1038/s41398-025-03380-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40289155
تاريخ النشر: 2025-04-27
المؤلف: Lindsay Benster وآخرون
الموضوع الرئيسي: دراسات التحفيز المغناطيسي عبر الجمجمة
نظرة عامة
تستكشف هذه الدراسة عوامل التنبؤ باستجابة العلاج للتحفيز المغناطيسي عبر الجمجمة المتكرر (rTMS) لدى المرضى الذين يعانون من الاكتئاب المقاوم للعلاج (TRD) باستخدام تصميم مجموعة استرجاعية. من خلال تحليل السجلات الطبية الإلكترونية (EMR) من 232 مريضًا تم علاجهم في جامعة كاليفورنيا، سان دييغو، استخدم الباحثون التعلم الآلي الخاضع للإشراف (ML) للتنبؤ باستجابة الأعراض الاكتئابية (المعرفة بأنها انخفاض أكبر من 50% على مقياس PHQ-9) والشفاء (PHQ-9 < 5). أظهرت النماذج دقة معقولة في تمييز المستجيبين للعلاج (منطقة تحت المنحنى (AUC): 0.689) والمستجيبين للشفاء (AUC: 0.745)، مع إظهار نموذج الاستجابة توافقًا جيدًا. ومن الجدير بالذكر أن التحليل كشف عن فوائد صافية كبيرة مرتبطة بكلا النموذجين، مما يشير إلى إمكانية استخدامها في اتخاذ القرارات السريرية. تضمنت العوامل الرئيسية التي تم تحديدها من خلال تحليل قيمة شابلي القلق المصاحب، والسمنة، والاستخدام المتزامن للبنزوديازيبينات أو مضادات الذهان، واستمرارية TRD، والتي كانت مرتبطة بنتائج أسوأ. وعلى العكس، كانت هناك علاقة بين تاريخ الصدمة والاستخدام السابق للتبغ مع استجابات أفضل لـ rTMS. بالإضافة إلى ذلك، كان استخدام التحفيز المتقطع بتردد ثيتا وزيادة عدد جلسات rTMS مرتبطًا بتحسين نتائج العلاج. تؤكد هذه النتائج على وعد الأساليب الموجهة بالتعلم الآلي في تخصيص استراتيجيات علاج rTMS لمرضى TRD، بهدف تعزيز الفعالية العلاجية في النهاية.
مقدمة
تتناول مقدمة ورقة البحث التحدي الكبير الذي يشكله اضطراب الاكتئاب الشديد (MDD) للصحة العامة، والذي يؤثر على حوالي 322 مليون فرد على مستوى العالم. يتميز MDD بالحزن المستمر، وفقدان الأمل، ونقص الاهتمام بالأنشطة اليومية. يعاني مجموعة ملحوظة من المرضى، تتراوح بين 30-40%، من الاكتئاب المقاوم للعلاج (TRD)، والذي يُعرف بعدم الاستجابة لعلاجين أو أكثر من العلاجات الأولى. نظرًا لتنوع MDD، مع 277 مجموعة محتملة من الأعراض، هناك حاجة ملحة لتخصيص استراتيجيات العلاج لتناسب ملفات الأعراض الفردية من أجل تعزيز فعالية العلاج.
ظهر التحفيز المغناطيسي عبر الجمجمة المتكرر (rTMS) كخيار قابل للتطبيق لعلاج TRD، حيث أظهر معدلات استجابة تتراوح بين 40-60%. يستهدف rTMS القشرة الجبهية الجانبية (DLPFC)، ويعدل من قابلية الإثارة القشرية وأنظمة الناقلات العصبية، مما يساهم في تنظيم المزاج والوظائف الإدراكية. تسلط الورقة الضوء على إمكانيات التعلم الآلي (ML) في تحليل مجموعات البيانات الكبيرة، مثل السجلات الطبية الإلكترونية، لتحسين تصنيف المرضى ومسارات العلاج في الطب النفسي. تهدف هذه الدراسة إلى إجراء تحليل استرجاعي لتحديد العوامل الديموغرافية والسريرية والمتعلقة بالعلاج التي تتنبأ باستجابة rTMS والشفاء لدى مرضى TRD. تسعى لتحديد ما إذا كان بإمكان ML تعزيز دقة التنبؤ بما يتجاوز الصدفة، ولتوضيح الميزات التي تميز المستجيبين عن غير المستجيبين، بهدف تحسين استراتيجيات العلاج وتحسين نتائج المرضى في النهاية.
الطرق
في هذه الدراسة الاسترجاعية، تم تحليل السجلات الطبية الإلكترونية (EMR) من المرضى الذين يعانون من الاكتئاب المقاوم للعلاج (TRD)، والتي تم الحصول عليها من قاعدة البيانات السريرية لبرنامج الطب النفسي التدخلي في جامعة كاليفورنيا، سان دييغو (UCSD-IPP). التزمت الدراسة بالمعايير الأخلاقية التي وضعتها اللجان الوطنية والدولية بشأن أبحاث البشر، بما في ذلك الامتثال لإعلان هلسنكي. تم منح الموافقة على البحث من قبل برنامج حماية أبحاث البشر في UCSD، مما يضمن أن جميع الإجراءات اتبعت الإرشادات الأخلاقية المناسبة.
النتائج
في قسم النتائج، تقدم الدراسة تحليلًا شاملاً لخصائص المرضى والعلاج، مع تسليط الضوء على النتائج المهمة المتعلقة بفعالية التحفيز المغناطيسي عبر الجمجمة المتكرر (rTMS) في علاج الاكتئاب. أظهرت درجات ما بعد العلاج على استبيان صحة المريض-9 (PHQ-9) انخفاضًا كبيرًا من مستويات ما قبل العلاج، مع فرق متوسط قدره -7.56 (t(231) = -17.6، d = 1.16، 95% CI = [0.99، 1.32]). من بين 101 مريضًا استجابوا لـ rTMS، كانت نسبة الاستجابة 44%، مع فرق متوسط قدره -13.0 (t(100) = -29.4، d = 2.94، 95% CI = [2.48، 3.39])، وحقق 23% الشفاء.
كشف التحليل الديموغرافي أن المستجيبين كانوا في الغالب من المدخنين السابقين وأقل احتمالًا لعدم استخدام الكحول مقارنةً بغير المستجيبين. ومن الجدير بالذكر أن الغالبية العظمى من المشاركين كانوا غير معتادين على rTMS (88.4%) والعلاج بالصدمات الكهربائية (ECT) (83.3%)، مع جزء كبير يعاني من نوبات اكتئاب شديدة (MDEs) تستمر لأكثر من 12 شهرًا. بينما لم تختلف درجات PHQ-9 الأساسية بشكل كبير بين المستجيبين (17.9 ± 5.4) وغير المستجيبين (17.6 ± 5.3)، أظهر المستجيبون احتمالًا أعلى لتاريخ الصدمة وتشخيصات اضطراب الصدمة، مقارنةً بانتشار أقل لاضطرابات القلق ووصفات البنزوديازيبينات أو مضادات الذهان. بالإضافة إلى ذلك، تلقى غير المستجيبين عددًا أقل من جلسات rTMS في المتوسط وكان لديهم نسبة أعلى من العلاج المتسلسل iTBS-BiTBS إلى العلاج iTBS فقط (p_adj = 0.04).
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على النتائج المهمة المتعلقة بتنوع استجابات العلاج ومعدلات الشفاء بين المرضى الذين يعانون من الاكتئاب المقاوم للعلاج (TRD) الذين يخضعون للتحفيز المغناطيسي عبر الجمجمة المتكرر (rTMS). استخدمت الدراسة نماذج التعلم الآلي (ML) للتنبؤ بنتائج العلاج بناءً على بيانات السجلات الطبية الإلكترونية (EMR)، مع تحديد الميزات التنبؤية الرئيسية مثل الاضطرابات النفسية المصاحبة، ومدة نوبة الاكتئاب الشديدة الحالية (MDE)، وبروتوكولات rTMS المحددة. ومن الجدير بالذكر أن تاريخ الصدمة كان مرتبطًا باستجابة العلاج، مما يشير إلى أن التغيرات العصبية الناتجة عن الصدمة قد تعزز من استجابة الدماغ للتحفيز العصبي.
كشف التحليل أن بعض العوامل أثرت سلبًا على نتائج العلاج، بما في ذلك اضطرابات القلق المصاحبة، والاستخدام المتزامن للبنزوديازيبينات أو مضادات الذهان، ومدة أطول من MDE. تتماشى هذه النتائج مع الأدبيات الموجودة التي تشير إلى أن الاكتئاب المزمن وتأثيرات الأدوية المحددة يمكن أن تعقد فعالية العلاج. ومن المثير للاهتمام أن المتغيرات الاجتماعية والديموغرافية لم تؤثر بشكل كبير على النتائج، مما يشير إلى الحاجة إلى مزيد من البحث لاستكشاف أدوارها في تخصيص العلاج. كما أكدت الدراسة على أهمية عدد جلسات rTMS والامتثال لبروتوكولات محددة، مثل iTBS، كعوامل إيجابية للتنبؤ باستجابة العلاج، مما يعزز الفكرة القائلة بأن التغيرات العصبية التراكمية قد تعزز من التأثيرات العلاجية.
بشكل عام، تؤكد الدراسة على إمكانيات ML في تحسين اتخاذ القرارات السريرية لعلاج TRD، مما يظهر أن النماذج التنبؤية يمكن أن تتفوق على استراتيجيات العلاج التقليدية. تدعو النتائج إلى فهم أكثر دقة للتفاعل بين تاريخ المريض، وبروتوكولات العلاج، والاستجابات الفردية لـ rTMS، مما قد يؤدي إلى تحسين أساليب العلاج الشخصية في الممارسة السريرية.
القيود
تتعدد قيود هذه الدراسة الاسترجاعية، مما يؤثر على قابلية تعميم النتائج وقوتها. أولاً، بينما تأخذ النماذج المعتمدة على الأشجار المستخدمة في التحليل في الاعتبار تأثيرات التفاعل، قد تعيق عدم الفحص الصريح لهذه التفاعلات بسبب قيود حجم العينة اكتشاف العلاقات الدقيقة بين العوامل. بالإضافة إلى ذلك، فإن تصميم الدراسة عرضة لتحيز الاختيار، حيث يركز على المرضى الذين بدأوا وأكملوا العلاج، مما قد يستبعد أولئك الذين لديهم أنماط استجابة مختلفة ويشوه النتائج نحو ديموغرافية أكثر احتمالًا للامتثال لبروتوكولات العلاج. كما أن هيمنة العينة من الأفراد ذوي التعليم العالي وغير الهسبانيين البيض تحد من قابلية تطبيق النتائج على السكان الأوسع، مما يبرز الحاجة إلى معالجة الفجوات في الوصول إلى التحفيز المغناطيسي عبر الجمجمة (TMS).
علاوة على ذلك، تواجه الدراسة تحديات تتعلق بتحيز المعلومات الناجم عن الاعتماد على السجلات الطبية الإلكترونية (EMR). قد تؤدي قضايا مثل توفر البيانات، والدقة، والكمال، جنبًا إلى جنب مع تباين توقيت جمع البيانات، إلى حدوث تناقضات بين الحالات المسجلة والحالات الفعلية للمرضى. إن استخدام الاستيفاء الفردي للتعامل مع البيانات المفقودة يفترض أن البيانات مفقودة بشكل عشوائي، وهو ما قد لا يكون صحيحًا دائمًا. على الرغم من اتخاذ تدابير للتخفيف من الإفراط في التخصيص من خلال اختيار الميزات والتحقق من العوامل المرتبطة، تشير هذه الافتراضات والقيود إلى أن النموذج أولي. يجب أن تهدف الأبحاث المستقبلية إلى التغلب على هذه التحديات من خلال استخدام تصاميم دراسات استباقية، وتوحيد بروتوكولات TMS المتكررة، وضمان جمع البيانات في الوقت المناسب، وضم مجموعات سكانية أكثر تنوعًا.
DOI: https://doi.org/10.1038/s41398-025-03380-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40289155
Publication Date: 2025-04-27
Author(s): Lindsay Benster et al.
Primary Topic: Transcranial Magnetic Stimulation Studies
Overview
This study investigates predictors of treatment response to repetitive transcranial magnetic stimulation (rTMS) in patients with treatment-resistant depression (TRD) using a retrospective cohort design. By analyzing electronic medical records (EMR) from 232 patients treated at the University of California, San Diego, the researchers employed supervised machine learning (ML) to predict depressive symptom response (defined as a greater than 50% reduction on the PHQ-9 scale) and remission (PHQ-9 < 5). The models demonstrated reasonable accuracy in distinguishing treatment responders (Area Under the Curve (AUC): 0.689) and remitters (AUC: 0.745), with the response model showing good calibration. Notably, the analysis revealed significant net benefits associated with both models, suggesting their potential utility in clinical decision-making. Key predictors identified through Shapley value analysis included comorbid anxiety, obesity, concurrent use of benzodiazepines or antipsychotics, and chronicity of TRD, which were linked to poorer outcomes. Conversely, a history of trauma and former tobacco use were associated with better responses to rTMS. Additionally, the use of intermittent theta burst stimulation and an increased number of rTMS sessions correlated with improved treatment outcomes. These findings underscore the promise of ML-guided approaches in personalizing rTMS treatment strategies for TRD patients, ultimately aiming to enhance therapeutic efficacy.
Introduction
The introduction of the research paper addresses the significant public health challenge posed by major depressive disorder (MDD), which affects approximately 322 million individuals globally. MDD is characterized by persistent sadness, hopelessness, and a lack of interest in daily activities. A notable subset of patients, 30-40%, experiences treatment-resistant depression (TRD), defined as a lack of response to two or more first-line treatments. Given the heterogeneity of MDD, with 277 possible symptom combinations, there is a pressing need to tailor treatment strategies to individual symptom profiles to enhance treatment efficacy.
Repetitive transcranial magnetic stimulation (rTMS) has emerged as a viable intervention for TRD, demonstrating response rates of 40-60%. Targeting the dorsolateral prefrontal cortex (DLPFC), rTMS modulates cortical excitability and neurotransmitter systems, contributing to mood regulation and cognitive functioning. The paper highlights the potential of machine learning (ML) to analyze large datasets, such as electronic medical records, to improve patient stratification and treatment pathways in psychiatry. This study aims to conduct a retrospective analysis to identify demographic, clinical, and treatment-related predictors of rTMS response and remission in TRD patients. It seeks to determine whether ML can enhance predictive accuracy beyond chance and to elucidate the features that differentiate responders from non-responders, ultimately aiming to optimize treatment strategies and improve patient outcomes.
Methods
In this retrospective study, electronic medical records (EMR) from patients with treatment-resistant depression (TRD) were analyzed, sourced from the clinical database of the UC San Diego Interventional Psychiatry Program (UCSD-IPP). The study adhered to ethical standards set forth by national and international committees regarding human subjects’ research, including compliance with the Helsinki Declaration. Approval for the research was granted by the UCSD Human Research Protections Program, ensuring that all procedures followed appropriate ethical guidelines.
Results
In the results section, the study presents a comprehensive analysis of patient and treatment-related characteristics, highlighting significant findings regarding the efficacy of repetitive Transcranial Magnetic Stimulation (rTMS) in treating depression. Post-treatment scores on the Patient Health Questionnaire-9 (PHQ-9) demonstrated a substantial reduction from pre-treatment levels, with a mean difference of -7.56 (t(231) = -17.6, d = 1.16, 95% CI = [0.99, 1.32]). Among the 101 patients who responded to rTMS, the response rate was 44%, with a mean difference of -13.0 (t(100) = -29.4, d = 2.94, 95% CI = [2.48, 3.39]), and 23% achieved remission.
Demographic analysis revealed that responders were predominantly former smokers and less likely to have never used alcohol compared to non-responders. Notably, the majority of participants were naïve to rTMS (88.4%) and Electroconvulsive Therapy (ECT) (83.3%), with a significant portion experiencing Major Depressive Episodes (MDEs) lasting over 12 months. While baseline PHQ-9 scores did not differ significantly between responders (17.9 ± 5.4) and non-responders (17.6 ± 5.3), responders exhibited a higher likelihood of trauma history and trauma disorder diagnoses, contrasting with a lower prevalence of anxiety disorders and prescriptions for benzodiazepines or antipsychotics. Additionally, non-responders received fewer rTMS sessions on average and had a higher ratio of sequential iTBS-BiTBS to iTBS-only treatment (p_adj = 0.04).
Discussion
The discussion section of the research paper highlights significant findings regarding the variability in treatment responses and remission rates among patients with treatment-resistant depression (TRD) undergoing repetitive transcranial magnetic stimulation (rTMS). The study utilized machine learning (ML) models to predict treatment outcomes based on electronic medical records (EMR) data, identifying key predictive features such as psychiatric comorbidities, duration of the current major depressive episode (MDE), and specific rTMS protocols. Notably, a history of trauma was associated with treatment response, suggesting that trauma-induced neuroplastic changes may enhance the brain’s receptivity to neurostimulation.
The analysis revealed that certain factors negatively impacted treatment outcomes, including comorbid anxiety disorders, concurrent use of benzodiazepines or antipsychotics, and longer durations of MDE. These findings align with existing literature that indicates chronic depression and specific medication effects can complicate treatment efficacy. Interestingly, sociodemographic variables did not significantly influence outcomes, indicating a need for further research to explore their roles in treatment personalization. The study also emphasized the importance of the number of rTMS sessions and adherence to specific protocols, such as iTBS, as positive predictors of treatment response, reinforcing the notion that cumulative neuroplastic changes may enhance therapeutic effects.
Overall, the study underscores the potential of ML in refining clinical decision-making for TRD treatment, demonstrating that predictive models can outperform traditional treatment strategies. The findings advocate for a more nuanced understanding of the interplay between patient history, treatment protocols, and individual responses to rTMS, which could lead to improved personalized treatment approaches in clinical practice.
Limitations
The limitations of this retrospective study are multifaceted, impacting the generalizability and robustness of the findings. Firstly, while the tree-based models utilized in the analysis account for interaction effects, the lack of explicit examination of these interactions due to sample size constraints may hinder the detection of subtle relationships among predictors. Additionally, the study’s design is prone to selection bias, as it focuses on patients who initiated and completed treatment, potentially excluding those with different response patterns and skewing results towards a demographic more likely to adhere to treatment protocols. The sample’s predominance of highly educated and non-Hispanic White individuals further restricts the applicability of the findings to broader populations, highlighting the need to address disparities in access to transcranial magnetic stimulation (TMS).
Moreover, the study faces challenges related to information bias stemming from the reliance on electronic medical records (EMR). Issues such as data availability, accuracy, and completeness, along with variability in data collection timing, may lead to discrepancies between recorded and actual patient conditions. The use of single imputation to handle missing data assumes that data are missing at random, which may not always hold true. Although measures were taken to mitigate overfitting through feature selection and checks for correlated predictors, these assumptions and limitations indicate that the model is preliminary. Future research should aim to overcome these challenges by employing prospective study designs, standardizing repetitive TMS protocols, ensuring timely data collection, and including more diverse populations.