Studie naar Neuro-beeldvorming voorspellers van uitkomst bij ECT patiënten

Ernstige depressieve stoornis komt frequent voor in de algehele populatie en
leidt tot ernstige functionele beperkingen. Depressieve symptomen in komen voor
bij een unipolaire depressieve stoornis en een bipolaire stoornis type 1 en
type 2. Veel depressieve patiënten kunnen succesvol worden behandeld met
antidepressiva, stemmingsstabilisatoren zoals lithiumcarbonaat en/of
psychotherapie. Echter bleek na klinisch onderzoek dat ten minste een derde van
de patiënten niet, zelfs na vier opeenvolgende stappen van
farmacologische/psychotherapeutische behandeling, herstellen, en dat 21% van de
depressieve patiënten voldoen aan de criteria voor chronische depressie (duur
langer dan 2 jaar) (Rush et al., 2006). Elektroconvulsieve therapie (ECT) is
een belangrijke behandelingsoptie voor dergelijke medicatie resistente
patiënten; afhankelijk van de mate van herstel, kan ongeveer 40-60% van deze
resistente patiënten herstellen (Prudic et al., 1996; van den Broek, de Lely,
Mulder, Birkenhager, & Bruijn, 2004). Echter, dit impliceert dit dat ongeveer
50% van deze patiënten niet reageren of onvoldoende reageren. Bovendien valt
40-80% van de patiënten, die aanvankelijk herstellen op ECT, binnen een half
jaar terug, dat is gedeeltelijk afhankelijk van het type van voortzetting
behandeling gegeven na ECT (Sackeim et al., 2001).
Eerdere studies hebben aangetoond dat neuroimaging kan worden gebruikt om
behandeling uitkomst te voorspellen. Functionele magnetische resonantie imaging
(fMRI) en kwantitatieve electroencephalogram (qEEG) werden gebruikt om te
voorspellen van de uitkomst van de behandeling op de verschillende
antidepressiva behandelingen op groepsniveau (Arns & Olbrich, 2014; Pizzagalli,
2011), zoals antidepressiva (2015a, Arns et al., 2015b), rTMS (Arns et al.,
2012) en ECT (ten Doesschate et al., 2014). Bovendien kunnen de cognitieve
bijwerkingen van ECT ook verband gebracht worden met EEG parameters op
groepsniveau (Sackheim et al., 2000; Tien Doesschate et al., 2015). Recente
vooruitgang in neurowetenschappelijke analysetechnieken maken het voorspellen
van de uitkomst van de behandeling mogelijk voor individuele patiënten en heeft
potentieel om te dienen als prognostische biomarkers bij gepersonaliseerde
behandelingsbeslissingen. In een eerdere studie met behulp van een machine
learning benadering, kon nauwkeurig voorspeld worden of iemand in remissie zou
komen door ECT aan de hand van gegevens uit fMRI onderzoek voorafgaand aan ECT
(J. Van Waarde et al., 2015). Vergelijkbare bevindingen zijn gemeld met behulp
van fMRI in kleinere studies voor antidepressieve farmacotherapie (Fu et al.,
2008; Korgaonkar et al., 2014) en cognitieve gedragstherapie bij depressie
(Costafreda et al., 2009). Andere studies voorspelde het resultaat van de
behandeling van rTMS en farmacotherapie met behulp van een machine learning
aanpak van EEG gegevens (Erguzel et al., 2015; Khodayari-Rostamabad et al.,
2013).
Hoewel het gebruik van neuroimaging als een voorspellende biomarker in de
behandeling van depressie veelbelovend lijkt, moeten bevindingen worden
gerepliceerd en uitgebreid voordat ze in de klinische praktijk kunnen worden
gebracht.

Het primaire doel van deze studie is het voorspellen van het antidepressieve
effect van ECT voor individuele patiënten met ernstige depressieve
symptomatologie met behulp van neuroimaging.
De ECT zelf wordt op gebruikelijke wijze verricht volgens nationale richtlijnen
(Nederlandse Vereniging voor Psychiatrie, 2010). fMRI en EEG ' resting state'
gegevens worden verworven binnen twee weken vóór aanvang van de ECT
behandeling. Machine learning zal worden gebruikt om remissie te voorspellen.
Daarmee repliceren we één van onze eerdere studies waarin wij het remissie door
ECT succesvol konden voorspellen met behulp van fMRI (J. Van Waarde et al.,
2015). Bovendien willen we deze bevindingen met behulp van de gegevens van de
EEG uitbreiden. Vergeleken met fMRI, kunnen EEG gegevens worden verkregen
tegen lagere kosten. EEG apparatuur is meer algemeen verkrijgbaar in
psychiatrische klinieken. Een machine learning benadering van EEG gegevens
heeft grote potentie om te komen tot een bruikbare voorspellende biomarker voor
het resultaat van de ECT.
De tweede doelstelling van deze studie is om de cognitieve bijwerkingen van ECT
te voorspellen voor individuele patiënten.
In staat zijn cognitieve bijwerkingen en het verwachte antidepressieve effect
van ECT te voorspellen, helpt artsen en patiënten bij het bepalen van de beste
behandeling.
Ten slotte, omdat ECT hersenfuncties lijkt te veranderen, zal er gekeken worden
naar functionele en structurele neuroimaging parameters om veranderingen als
gevolg van de behandeling op te volgen, onmiddellijk na staken en drie maanden
na ECT.

Het betreft een prospectieve cohort van een groep van ernstig depressieve
patiënten, geïndiceerd voor ECT. Depressieve symptomen en cognitieve parameters
worden vastgesteld pre-ECT en post-ECT eindpunt. Depressie schalen worden 2
wekelijks afgenomen, als de patiënt in staat om dit te doen is, en maandelijks
gedurende de follow-up periode. MRI en EEG zullen worden uitgevoerd op pre-ECT,
post-ECT (eindpunt) en na drie maanden (follow-up).

De belasting door ineffectieve behandeling van depressie is hoog. De belasting
van ECT is aanzienlijk doch noodzakelijk voor een
succesvolle behandeling en het risico is verwaarloosbaar. Het is echter
niettemin van belang dat voor dit onderzoek alleen de
reguliere ECT-populatie wordt geworven. De toegevoegde belasting door deelname
aan dit onderzoek is minimaal en het
toegevoegde risico is verwaarloosbaar.