Predicting outcome with Intranasal Esketamine treatment: A machine-learning, three-month study in Treatment-Resistant Depression (ESK-LEARNING)
Notice bibliographique
Résumé
Treatment-resistant depression (TRD) represents a severe clinical condition with high social and economic costs. Esketamine Nasal Spray (ESK-NS) has recently been approved for TRD by EMA and FDA, but data about predictors of response are still lacking. Thus, a tool that can predict the individual patients' probability of response to ESK-NS is needed. This study investigates sociodemographic and clinical features predicting responses to ESK-NS in TRD patients using machine learning techniques. In a retrospective, multicentric, real-world study involving 149 TRD subjects, psychometric data (Montgomery-Asberg-Depression-Rating-Scale/MADRS, Brief-Psychiatric-Rating-Scale/BPRS, Hamilton-Anxiety-Rating-Scale/HAM-A, Hamilton-Depression-Rating-Scale/HAMD-17) were collected at baseline and at one month/T1 and three months/T2 post-treatment initiation. We trained three different random forest classifiers, able to predict responses to ESK-NS with accuracies of 68.53% at T1 and 66.26% at T2 and remission at T2 with 68.60% of accuracy. Features like severe anhedonia, anxious distress, mixed symptoms as well as bipolarity were found to positively predict response and remission. At the same time, benzodiazepine usage and depression severity were linked to delayed responses. Despite some limitations (i.e., retrospective study, lack of biomarkers, lack of a correct interrater-reliability across the different centers), these findings suggest the potential of machine learning in personalized intervention for TRD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».