Background: Major depressive disorder (MDD) is a common and burdensome condition that has low rates of treatment success for each individual treatment. This means that many patients require several medication switches to achieve remission; selecting an effective antidepressant is typically a sequential trial-and-error process. Machine learning techniques may be able to learn models that can predict whether a specific patient will respond to a given treatment, before it is administered. This study uses baseline clinical data to create a machine-learned model that accurately predicts remission status for a patient after desvenlafaxine (DVS) treatment.
Methods: We applied machine learning algorithms to data from 3,399 MDD patients (90% of the 3,776 subjects in 11 phase-III/IV clinical trials, each described using 92 features), to produce a model that uses 26 of these features to predict symptom remission, defined as an 8-week Hamilton Depression Rating Scale score of 7 or below. We evaluated that learned model on the remaining held-out 10% of the data (n = 377).
Results: Our resulting classifier, a trained linear support vector machine, had a holdout set accuracy of 69.0%, significantly greater than the probability of classifying a patient correctly by chance. We demonstrate that this learning process is stable by repeatedly sampling part of the training dataset and running the learner on this sample, then evaluating the learned model on the held-out instances of the training set; these runs had an average accuracy of 67.0% ± 1.8%.
Conclusions: Our model, based on 26 clinical features, proved sufficient to predict DVS remission significantly better than chance. This may allow more accurate use of DVS without waiting 8 weeks to determine treatment outcome, and may serve as a first step toward changing psychiatric care by incorporating clinical assistive technologies using machine-learned models.
Contexte: Le trouble dépressif majeur (TDM) est une affection commune et pénible qui présente de faibles taux de traitement réussi pour chaque traitement individuel. Ce qui signifie que nombre de patients nécessitent plusieurs changements de médicaments pour atteindre la rémission; sélectionner un antidépresseur efficace est typiquement un processus séquentiel par tâtonnements. Les techniques d’apprentissage machine peuvent être en mesure d’apprendre des modèles qui peuvent prédire si un patient en particulier va répondre à un traitement donné, avant qu’il ne soit administré. La présente étude utilise les données cliniques de base pour créer un modèle d’apprentissage machine qui prédit avec précision le statut de la rémission pour un patient après un traitement par desvenlafaxine (DVS).
Méthodes: Nous avons appliqué des algorithmes d’apprentissage machine aux données de 3399 patients de TDM (90% des 3776 sujets de la phase 11-des essais cliniques III/IV; chacun ayant décrit utiliser 92 éléments), pour produire un modèle qui utilise 26 de ces éléments pour prédire la rémission des symptômes, définie comme étant un score de 7 ou moins maintenu durant 8 semaines à l’échelle de dépression de Hamilton (HAM-D). Nous avons évalué ce modèle d’apprentissage pour les 10 % restants des données (n = 377).
Résultats: Le classificateur qui en a résulté, une machine à vecteur de support linéaire entraînée (SVM), avait une précision sur l’ensemble de retenue de 69.0%, significativement plus grande que la probabilité de classer un patient correctement par chance. Nous démontrons que ce processus d’apprentissage est stable en échantillonnant à répétition une partie des données de la formation et en exerçant l’apprenant sur cet échantillon, puis en évaluant le modèle appris sur les instances conservées de l’ensemble de la formation; ces mesures avaient une exactitude moyenne de 67.0% ± 1.8%.
Conclusions: Notre modèle, basé sur 26 caractéristiques cliniques, s’est avéré suffisant pour prédire la rémission par DVS significativement mieux que par chance. Cela peut permettre une utilisation plus précise de la DVS sans attendre 8 semaines pour déterminer le résultat du traitement, et peut servir de première étape au changement des soins psychiatriques, en incorporant les technologies d’assistance clinique à l’aide des modèles d’apprentissage machine.
Keywords: antidepressants; artificial intelligence; diagnosis; machine learning; major depressive disorder; randomized controlled trial; symptom remission.