Predicting non-response to ketamine for depression: An exploratory symptom-level analysis of real-world data among military veterans
Notice bibliographique
Résumé
Ketamine helps some patients with treatment resistant depression (TRD), but reliable methods for predicting which patients will, or will not, respond to treatment are lacking. Herein, we aim to inform prediction models of non-response to ketamine/esketamine in adults with TRD. This is a retrospective analysis of PHQ-9 item response data from 120 patients with TRD who received repeated doses of intravenous racemic ketamine or intranasal eskatamine in a real-world clinic. Regression models were fit to patients' symptom trajectories, showing that all symptoms improved on average, but depressed mood improved relatively faster than low energy. Principal component analysis revealed a first principal component (PC) representing overall treatment response, and a second PC that reflects variance across affective versus somatic symptom subdomains. We then trained logistic regression classifiers to predict overall response (improvement on PC1) better than chance using patients' baseline symptoms alone. Finally, by parametrically adjusting the classifier decision thresholds, we identified optimal models for predicting non-response with a negative predictive value of over 96 %, while retaining a specificity of 22 %. Thus, we could identify 22 % of patients who would not respond based purely on their baseline symptoms. This approach could inform rational treatment recommendations to avoid additional treatment failures.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».