Predizione della remissione dopo terapia elettroconvulsivante nella Difficult-to-Treat Depression: un approccio di machine learning su dati real world

Background: According to the World Health Organization (WHO), depression is one of the leading causes of disability worldwide, with a significant impact on the daily life and social functioning of affected individuals, and an estimated prevalence of 5.7% in the global population. It is estimated that up to 50% of patients with depression do not respond to standard pharmacological treatments, developing a form of difficult-to-treat depression (DTD). Since the 1930s, electroconvulsive therapy (ECT) has represented a valid therapeutic option that, according to various evidence, allows symptomatic remission in approximately 60% of DTD cases. Objectives: To develop and validate a predictive model for clinical outcome following electroconvulsive therapy (ECT). The primary outcome was improvement in depressive symptoms, operationalized as remission at the end of the treatment course. Materials and Methods: This study examined a retrospective cohort of 213 patients with Difficult-to-Treat Depression (DTD), including both unipolar and bipolar forms, who underwent ECT between 2003 and 2022 at Villa Santa Chiara Clinic (Quinto di Valpantena, Verona, Italy). Clinical and sociodemographic data, pharmacological treatments, psychometric scale scores (BDI, MADRS, PANSS, BPRS), and ECT-related parameters were collected, including static impedance, delivered stimulus charge, seizure duration, and post-ictal suppression index. Several predictor sets were compared, including: (1) baseline clinical and sociodemographic variables; (2) baseline variables plus pharmacotherapy at T0; (3) early-course ECT parameters from sessions 1–3; and (4) alternative representations of baseline depressive severity based on MADRS items and factors. Multiple algorithms were evaluated, (5) including regularized linear models, random forests, and gradient boosting. Model performance was assessed using nested cross-validation (5 outer folds) and reported as mean performance with empirical 95% confidence intervals across outer folds. Results: For predicting remission at T1, the best performing scenario-model combination was a selected Random Forest model, which showed good discriminative performance with a mean ROC-AUC of 0.67 (95% CI: 0.63–0.70) and a PR-AUC of 0.79 (0.74–0.82). Mean accuracy was 0.70 (0.68–0.75), balanced accuracy was 0.63 (0.60–0.69), and the mean Brier score was 0.21 (0.20–0.21). The optimal scenario integrated MADRS factors and baseline pharmacotherapy together with ECT parameters from the first three sessions. The Boruta algorithm identified the most stable predictors as static impedance (maximum, first session, and mean), the number of antipsychotics at baseline, and the MADRS “sadness” factor at T0. Discussion: These findings partially confirm previously reported predictors of ECT outcomes. A recent retrospective study reported a strong positive correlation between static and dynamic impedance parameters, suggesting that reducing static impedance during patient preparation may facilitate the induction of adequate seizures. The number of antipsychotics at baseline emerged as an important predictor of remission; this may reflect the effects of certain antipsychotics on seizure threshold. Recent studies have also highlighted the predictive value of specific MADRS items (particularly item 2), which are included in the MADRS “sadness” factor at T0 considered in the present study. Limitations and Future Perspectives: Further machine learning models and the integration of these findings with inferential statistical analyses may help strengthen the results and clarify the direction of the observed associations. Future applications of the model may also evaluate its ability to predict individual MADRS items, potentially allowing prediction of ECT response or remission across different depressive phenotypes.

Background: Secondo l’OMS, la depressione rappresenta una delle principali cause di disabilità a livello globale, con una prevalenza stimata del 5,7% nella popolazione mondiale. Fino al 50% dei pazienti affetti da depressione non risponde ai trattamenti farmacologici, sviluppando una forma di depressione difficilmente trattabile (DTD). Fin dagli anni ’30 del secolo scorso, la terapia elettroconvulsivante (TEC) rappresenta una valida opzione terapeutica, che, secondo diverse evidenze, consente la remissione sintomatologica in circa il 60% dei casi di DTD. Obiettivi: Costruire e validare un modello di predizione per l’esito clinico del trattamento con TEC; l’outcome è stato definito come miglioramento dei sintomi depressivi, descritto dal raggiungimento della remissione al termine del trattamento. Materiali e metodi: Lo studio ha preso in considerazione una coorte retrospettiva di 213 pazienti con DTD sia unipolare sia bipolare, sottoposti a TEC tra il 2003 e il 2022 presso la clinica Villa Santa Chiara di Quinto di Valpantena (VR). Sono stati raccolti dati clinici e sociodemografici, informazioni sulla terapia farmacologica, punteggi delle scale psicometriche (BDI, MADRS, PANSS, BPRS) e parametri relativi al trattamento TEC, quali impedenza statica, carica dello stimolo erogato, durata della crisi e indice di soppressione post-ictale. Sono stati confrontati diversi set di predittori (baseline clinico‐sociodemografico, baseline e farmaci a T0, parametri TEC early‐course delle sedute 1–3, rappresentazioni alternative della severità depressiva basale tramite item e fattori MADRS) e più algoritmi (modelli lineari regolarizzati, random forest, gradient 3 boosting). Le performance sono state stimate tramite nested cross‐validation (5 fold esterni) e riportate come media e IC empirico 95% sui fold esterni. Risultati: Per descrivere la remissione a T1 la migliore combinazione scenario/modello è risultato essere un Random Forest selezionato che ha mostrato una capacità discriminativa buona nella predizione, con ROC‐AUC media 0,67 (IC 95%: 0,63– 0,70) e PR‐AUC 0,79 (0,74–0,82). L’accuracy media è risultata 0,70 (0,68–0,75) e la balanced accuracy 0,63 (0,60–0,69); il Brier score medio è 0,21 (0,20–0,21). Lo scenario integra i fattori MADRS e la farmacoterapia al baseline, oltre che i parametri TEC delle prime tre sedute. L’algoritmo Boruta ha identificato come predittori più stabili: l’impedenza statica (massima, della prima seduta e media), il numero di antipsicotici assunti al baseline e il fattore MADRS “sadness” a T0. Discussione: I risultati emersi confermano parzialmente quanto già noto in letteratura circa i fattori rilevanti nella predizione della TEC. Un recente studio retrospettivo dimostra una forte correlazione positiva tra i parametri di impedenza statica ed impedenza dinamica, suggerendo che cercare di ridurre il valore di impedenza statica durante la preparazione del paziente alla TEC consenta di ottenere crisi convulsive appropriate. Il numero di antipsicotici assunti al baseline quale predittore stabile di remissione potrebbe riflettere l’effetto di alcuni di questi farmaci sulla soglia convulsiva. Studi recenti evidenziano poi il valore predittivo dei punteggi di specifici item MADRS (in particolare item 2), ricompresi nel fattore MADRS “sadness” a T0 rilevato come predittore stabile nel presente studio. Limiti e prospettive future: Eventuali altri modelli di machine learning o integrazioni delle predizioni del presente studio con analisi statistiche inferenziali potranno corroborarne i risultati e rinvenire la direzione dell’effetto delle associazioni. Ulteriori applicazioni del presente modello potranno rilevare se si conferma valido nella predizione di singoli item MADRS, e quindi se permetterà, in futuro, di valutare la predizione della risposta o remissione alla TEC per differenti fenotipi depressivi.