Features of immunometabolic depression as predictors of antidepressant treatment outcomes: pooled analysis of four clinical trials
Notice bibliographique
Résumé
Background Profiling patients on a proposed ‘immunometabolic depression’ (IMD) dimension, described as a cluster of atypical depressive symptoms related to energy regulation and immunometabolic dysregulations, may optimise personalised treatment. Aims To test the hypothesis that baseline IMD features predict poorer treatment outcomes with antidepressants. Method Data on 2551 individuals with depression across the iSPOT-D ( n = 967), CO-MED ( n = 665), GENDEP ( n = 773) and EMBARC ( n = 146) clinical trials were used. Predictors included baseline severity of atypical energy-related symptoms (AES), body mass index (BMI) and C-reactive protein levels (CRP, three trials only) separately and aggregated into an IMD index. Mixed models on the primary outcome (change in depressive symptom severity) and logistic regressions on secondary outcomes (response and remission) were conducted for the individual trial data-sets and pooled using random-effects meta-analyses. Results Although AES severity and BMI did not predict changes in depressive symptom severity, higher baseline CRP predicted smaller reductions in depressive symptoms ( n = 376, β pooled = 0.06, P = 0.049, 95% CI 0.0001–0.12, I 2 = 3.61%); this was also found for an IMD index combining these features ( n = 372, β pooled = 0.12, s.e. = 0.12, P = 0.031, 95% CI 0.01–0.22, I 2 = 23.91%), with a higher – but still small – effect size compared with CRP. Confining analyses to selective serotonin reuptake inhibitor users indicated larger effects of CRP (β pooled = 0.16) and the IMD index (β pooled = 0.20). Baseline IMD features, both separately and combined, did not predict response or remission. Conclusions Depressive symptoms of people with more IMD features improved less when treated with antidepressants. However, clinical relevance is limited owing to small effect sizes in inconsistent associations. Whether these patients would benefit more from treatments targeting immunometabolic pathways remains to be investigated.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,039 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,020 | 0,044 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».