TMS e Depressione Resistente: L’Intelligenza Artificiale Svela Chi Può Guarire

Sapete, affrontare la depressione è già un percorso in salita. Ma quando diventa “resistente al trattamento”, cioè quando le cure standard come farmaci e psicoterapia non bastano, la sfida si fa ancora più ardua. Per fortuna, negli ultimi anni, una tecnica chiamata Stimolazione Magnetica Transcranica ripetitiva (rTMS) si è affermata come un’opzione valida e preziosa per molte di queste persone. Io stessa mi sono appassionata a questa tecnologia e alle sue potenzialità.

La rTMS, per dirla semplice, usa impulsi magnetici mirati su specifiche aree del cervello – in particolare la corteccia prefrontale dorsolaterale (DLPFC), cruciale per regolare l’umore – per “risvegliare” circuiti che nella depressione sembrano funzionare meno. È una procedura non invasiva, fatta da svegli, e ha tassi di successo interessanti, intorno al 40-60%. Un bel raggio di sole per chi combatte da tempo.

La Sfida: Indovinare la Risposta alla Terapia

Il punto è questo: la rTMS funziona, ma non per tutti allo stesso modo. E la depressione stessa è incredibilmente varia, quasi un camaleonte con centinaia di possibili combinazioni di sintomi. Come facciamo, allora, a sapere prima di iniziare un ciclo di trattamento (che richiede impegno e tempo) se quella specifica persona avrà buone probabilità di rispondere? Non sarebbe fantastico poter personalizzare ancora di più l’approccio, indirizzando fin da subito verso la terapia più promettente?

È qui che entra in gioco qualcosa che mi affascina tantissimo: l’intelligenza artificiale (IA), o più precisamente, il machine learning (ML). L’idea è usare algoritmi “intelligenti” per analizzare grandi quantità di dati provenienti da pazienti che hanno già fatto la rTMS e scovare dei pattern, delle “firme” che possano predire l’esito della terapia.

Il Nostro Studio: Dati e Intelligenza Artificiale al Lavoro

Proprio su questo ci siamo concentrati in uno studio recente. Abbiamo preso le cartelle cliniche elettroniche (EMR) di 232 pazienti con depressione resistente al trattamento (TRD), trattati con rTMS tra il 2017 e il 2023 presso l’Università della California, San Diego. Un bel po’ di dati reali, raccolti nella pratica clinica quotidiana.

Abbiamo “dato in pasto” a diversi modelli di machine learning tutte le informazioni disponibili: dati socio-demografici (età, genere…), clinici (storia della depressione, altre diagnosi psichiatriche, farmaci assunti…) e relativi al trattamento rTMS stesso (protocollo usato, numero di sedute…). L’obiettivo? Costruire un modello capace di predire due cose:

• Risposta al trattamento: una riduzione di almeno il 50% dei sintomi depressivi (misurati con la scala PHQ-9).
• Remissione: una quasi totale scomparsa dei sintomi (punteggio PHQ-9 inferiore a 5).

Per essere sicuri che i nostri modelli non stessero solo “imparando a memoria” i dati, abbiamo usato tecniche di validazione rigorose (nested cross-validation) e uno strumento chiamato SHAP (SHapley Additive exPlanations) per capire quali fattori fossero davvero i più importanti nel determinare la predizione.

Cosa Abbiamo Scoperto: I Fattori Chiave

Ebbene, i risultati sono stati incoraggianti! I nostri modelli di machine learning si sono dimostrati capaci di distinguere chi avrebbe risposto o raggiunto la remissione con un’accuratezza significativamente superiore al caso (AUC per la risposta: 0.689; AUC per la remissione: 0.745). Certo, non una sfera di cristallo perfetta, ma un passo avanti importante.

Ma la parte forse più interessante è stata scoprire quali fattori pesavano di più sulla bilancia della predizione. Grazie all’analisi SHAP, abbiamo visto che alcune caratteristiche rendevano meno probabile una buona risposta alla rTMS:

• Disturbi d’ansia concomitanti: L’ansia spesso va a braccetto con la depressione e sembra complicare la risposta alla rTMS, forse per meccanismi neurobiologici distinti.
• Obesità: Un fattore che emerge sempre più spesso come rilevante nella salute mentale e nella risposta ai trattamenti.
• Uso contemporaneo di benzodiazepine o antipsicotici: Questi farmaci possono ridurre l’eccitabilità corticale, andando potenzialmente a “smorzare” l’effetto stimolante della rTMS.
• Maggiore durata dell’episodio depressivo attuale (cronicità): Una depressione che dura da più tempo sembra più difficile da trattare, forse per cambiamenti neurobiologici più radicati.

Al contrario, altri fattori sembravano associati a una maggiore probabilità di successo:

• Storia di trauma psicologico: Questo è un dato interessante e un po’ controintuitivo rispetto ad alcuni studi passati. Forse, esperienze traumatiche inducono cambiamenti nella plasticità cerebrale che rendono il cervello più “ricettivo” alla neurostimolazione. Da approfondire!
• Essere un ex fumatore: Anche questo è curioso. La nicotina ha effetti complessi sul cervello, ma perché gli ex fumatori rispondano meglio degli attuali o di chi non ha mai fumato non è chiarissimo. Potrebbe essere un segnale indiretto di altri fattori o stili di vita.

Infine, anche le caratteristiche del trattamento stesso contavano:

• Protocollo iTBS (Intermittent Theta Burst Stimulation): Questo specifico tipo di stimolazione è risultato associato a esiti migliori nel nostro campione.
• Maggior numero di sedute di rTMS: Sembra esserci un effetto dose-risposta, dove più sedute (entro certi limiti, ovviamente) portano a benefici maggiori e più duraturi, forse per un accumulo di cambiamenti neuroplastici.

Il Potere (e i Limiti) dei Modelli Predittivi

Avere modelli che predicono con una certa accuratezza è un conto, capire se sono davvero utili nella pratica clinica è un altro. Abbiamo usato un’analisi chiamata Decision Curve Analysis (DCA) che ci ha mostrato come, entro certi range di probabilità, usare i nostri modelli per decidere se trattare o meno un paziente con rTMS porterebbe a un beneficio netto maggiore rispetto a trattare tutti indiscriminatamente o non trattare nessuno. In pratica, ci aiuterebbe a “fare più centro”, massimizzando i successi ed evitando trattamenti potenzialmente inefficaci per alcuni.

Tuttavia, bisogna essere onesti sui limiti. Il nostro modello per predire la remissione, pur essendo accurato nel distinguere, non era ben “calibrato”, cioè le probabilità predette non corrispondevano perfettamente a quelle osservate. Questo ne limita l’affidabilità immediata per le decisioni cliniche. Inoltre, lo studio è retrospettivo (guarda dati passati), si basa su un campione specifico (prevalentemente bianco, istruito) e i dati delle cartelle cliniche possono avere delle imperfezioni. Serve cautela.

Uno Sguardo al Futuro (e Qualche Cautela)

Cosa ci portiamo a casa da tutto questo? Sicuramente la conferma che la rTMS è uno strumento prezioso per la depressione resistente. E, cosa che mi entusiasma particolarmente, che l’intelligenza artificiale applicata ai dati clinici reali ha un potenziale enorme per guidarci verso una psichiatria sempre più di precisione.

Identificare in anticipo chi beneficerà di più da un trattamento come la rTMS, basandosi sulle caratteristiche individuali, è l’obiettivo. Questi modelli predittivi sono un primo passo importante. Il futuro richiederà di validarli su popolazioni diverse, di migliorarli magari integrando dati neurobiologici (come risonanze magnetiche o dati genetici) e di renderli strumenti affidabili e utili per noi clinici e, soprattutto, per i nostri pazienti.

La strada è ancora lunga, ma la direzione sembra quella giusta: usare la tecnologia non per sostituire il giudizio clinico, ma per potenziarlo, per offrire cure sempre più mirate ed efficaci a chi lotta contro la depressione.

Fonte: Springer