Неправильное толкование этого исследования депрессии может побудить врачей лечить не тех людей

В исследовании утверждается, что он предсказывает ответ на лечение эсциталопрамом, но это потенциально опасная интерпретация.

Наступил новый год, и после небольшого перерыва в отпуске я вернулся и, честно говоря, немного расстроен, когда просматриваю недавно опубликованную медицинскую литературу, поэтому сегодня я сосредоточусь на довольно небольшом исследовании, но о том, что касается домашнего животного. моя раздражение, и поэтому я собираюсь направить сюда своего внутреннего Энди Руни и немного пожаловаться.

Появившись в JAMA Network Open у нас есть эта статья с убедительным названием Использование машинного обучения для прогнозирования результатов лечения эсциталопрамом на основе записей ЭЭГ у взрослых с депрессией.

Мне нравится знать, что я ввязываю, когда читаю заголовок. И это название многообещает. Для меня это звучит так, будто исследователи использовали ЭЭГ и некоторые причудливые методы машинного обучения, чтобы предсказать, каким пациентам с депрессией будет полезно лечение эсциталопрамом.

Идея использования модели машинного обучения для выбора наилучшего психиатрического лечения является святым Граалем для персонализированной медицины. Видите ли, когда сталкиваются с серьезным депрессивным расстройством, врачи часто пробуют прием лекарства за лекарством, чтобы увидеть, что прилипнет - все, что может уменьшить этот метод проб и ошибок, сэкономит массу времени, не говоря уже о жизнях.

Но это исследование не об этом. Пройдитесь со мной по методам, и вы поймете, что я имею в виду.

Исследователи из Британской Колумбии проанализировали данные ЭЭГ 122 взрослых пациентов с большой депрессией, которым была начата терапия эсциталопрамом.

Как вы знаете, ЭЭГ выводит тонны данных - несколько электродов, тысячи измерений. На самом деле это идеальное место для использования инструментов машинного обучения, чтобы сжать все эти данные в одно число, и авторы проделывают образцовую работу по использованию хорошо зарекомендовавшего себя алгоритма машинного обучения, называемого машиной опорных векторов, чтобы взять эти кучи данных и преобразовать их. в предсказание.

Но что точно они прогнозируют?

Они предсказывают, будет ли у пациента ремиссия депрессии через 8 недель. Они НЕ предсказывают, был ли эсциталопрам полезным для пациента, и эта разница огромна.

В этом исследовании не было контрольной группы. Все 122 пациента лечились эсциталопрамом. Поэтому у нас нет способа узнать, идентифицировала ли модель машинного обучения людей с большей вероятностью достижения ремиссии независимо от терапии (давайте помнить, что депрессия спонтанно проходит примерно в 20% случаев) или тех, кто действительно получает пользу от эсциталопрама.

Видите ли, у каждого пациента с депрессией есть четыре потенциальных судьбы в отношении эсциталопрама.

У некоторых будет ремиссия при приеме препарата или без него. У некоторых никогда не будет ремиссии, независимо от лечения. Некоторые будут испытывать ремиссию ТОЛЬКО, если они получат лекарство, а другие, по-видимому, НЕ испытают ремиссии, только если они получат лекарство.

На самом деле это две последние категории, которые нас волнуют с точки зрения принятия решения о лечении, но, по иронии судьбы, первые две категории легче всего предсказать, потому что, в конце концов, важнейшим предиктором того, получите ли вы ремиссию от депрессии, НЕ является то, принимаете ли вы лекарство или нет. но насколько серьезна ваша депрессия в первую очередь.

Это огромная разница с точки зрения проблемы прогнозирования и проблемы, которая может фактически нанести вред пациенту.

Приведу пример.

Представьте, что мы построили модель, предсказывающую, у кого меньше всего вероятность сердечного приступа среди населения, получающего симвастатин.

Мы обнаружили, что без группы сравнения люди с более низким уровнем ЛПНП, большей физической активностью и без диабета имели бы лучшие результаты. Если затем мы будем утверждать, что именно такие люди должны получать статины, мы окажем огромную медвежью услугу людям с более тяжелым заболеванием на начальном этапе. Наша модель не говорит нам, кому следует принимать лекарство, она только говорит нам, кому изначально было лучше.

Нам нужны модели, которые могут нацелить терапию на нужных пациентов, независимо от того, насколько они больны на исходном уровне, иначе мы всегда выберем наименее больных для лечения. Конечно, от этого показатель успешности лечения будет выглядеть потрясающе, но я не хочу практиковать медицину.

Хорошо, вернемся к эсциталопраму. Эта статья показывает нам, что авторы построили модель, основанную на данных ЭЭГ, которая показывает, у кого, вероятно, будет ремиссия депрессии. Фактически можно возразить, что эта модель не имеет ничего общего с эсциталопрамом. Модель может одинаково хорошо предсказывать результаты среди пациентов, принимающих любой антидепрессант или даже не принимающего антидепрессант вообще. Другими словами, мы не приблизились к мечте о том, чтобы навязать кому-либо голову ЭЭГ и знать, какой препарат им дать, чем мы были раньше. Но об исследованиях, подобных этому, ВСЕГДА сообщают неточно, что позволяет предположить, что у нас есть какой-то новый инструмент в нашем личном наборе инструментов для медицины.

Я больше всего боюсь, что эти модели получат коммерциализацию как своего рода черный ящик типа «используй это, чтобы решить, кого лечить», который, как мы теперь все понимаем, предвзято относится к тем, кто более слаб на исходном уровне, даже если они хорошо отреагируют на терапия. Второе предложение заключения этой статьи гласит:

«Превратившись в надлежащее клиническое приложение, такой конвейер может стать ценным инструментом планирования лечения». Не совсем - если только вы не хотите зарезервировать лечение для наименее больных людей.

Могут ли исследователи доказать, что их модель не просто определяет менее тяжелую депрессию в отличие от ответа на эсциталопрам? Что ж, они могли бы показать, как их модель коррелирует с исходными оценками депрессии или другими исходными факторами - я уверен, что мы обнаружим, что в основном модель просто идентифицирует людей с менее тяжелой депрессией на исходном уровне - но эти данные не представлены.

И давайте помнить, что хотя получать данные о том, насколько серьезна ваша депрессия, просто с помощью ЭЭГ - я имею в виду, что это звездный путь, и мне это нравится, - это очень круто, у нас уже есть множество инструментов для оценки тяжести депрессии.

Так что в следующий раз, когда мы увидим исследование, использующее машинное обучение или иное, которое утверждает, что «предсказывает реакцию на терапию», следующий вопрос, который мы должны задать, - «откуда мы знаем, что модель не просто идентифицирует менее тяжелое заболевание в исходный уровень »?

С Новым Годом.

Это исследование впервые появилось на medscape.com.