Aumento de acurácia prognóstica em pacientes deprimidos utilizando diferentes intervenções de neuromodulação não-implantáveis

Resumo

Uma abordagem complementar para lidar com a questão da eficácia clínica modesta da Estimulação Transcraniana com Corrente Contínua (ETCC) e dos efeitos cognitivos graves da Eletroconvulsoterapia (ECT) é identificar aqueles mais propensos a experimentar tais efeitos (adversos). No entanto, nenhum preditor confiável de resposta ao ETCC foi identificado. Embora a depressão resistente ao tratamento seja um preditor clínico robusto de resposta insatisfatória para ETCC, isso pode estar mais relacionado ao episódio depressivo em si do que à intervenção. Outros preditores mostraram resultados mistos. Por exemplo, para ETCC, "dose" mais alta foi associada a melhores resultados em uma meta-análise, mas o estudo clínico randomizado controlado usando uma dose mais alta do que as anteriores produziu resultados não significativos. Para a ECT, mesmo as recomendações de primeira linha, como idade, psicose e características melancólicas, não foram replicadas de forma consistente. Da mesma forma, nenhuma abordagem de risco individualizada foi desenvolvida para ECT, embora alguns preditores de comprometimento cognitivo que apresentam grandes efeitos tenham sido identificados, como ECT bilateral, cargas mais altas, idade avançada e uso de certos agentes psicotrópicos e anestésicos. Aqui, propomos aumentar a previsão: (1) levando em consideração as vias biológicas da doença; representado neste projeto pelo módulo de Neuroimagem (M2) que nos permitirá avaliar a depressão em múltiplos níveis neurobiológicos; (2) coleta de big data multimodal, exemplificada aqui pela neuroimagem (M2), fenotipagem cognitiva (M1) e clínica que incluirá escalas transversais de domínio transdiagnóstico, conforme descrito abaixo e; (3) abordagens metodológicas para analisar padrões multidimensionais e complexos de uma variedade de dados coletados em vários níveis biológicos e encontrar padrões preditivos generalizáveis para prever comportamentos futuros, independentemente de sua base mecanista, que incluem métodos supervisionados (por exemplo, XGBoost tree boosting e elastic-net) e não supervisionados (por exemplo, hierarchical clustering e growth mixture modeling ) para respectivamente aumentar a previsão de resposta e identificar subpopulações latentes que manifestam trajetórias heterogêneas com base em dados clínicos, cognitivos e de neuroimagem. Finalmente, também usaremos a mudança do biomarcador como uma variável de resultado para explorar quais subtipos de depressão estão particularmente associados a mudanças na avaliação cognitiva e de neuroimagem, o que ajudará ainda mais a desemaranhar o construto heterogêneo da depressão ao vincular o grupo de sintomas a mudanças nos endofenótipos putativos relacionados à depressão, fornecendo validação adicional para eles. (AU)