Longitudinale evaluatie van een MRI-gebaseerd voorspellend algoritme ten behoeve van vroegtijdige vaststelling van behandelrespons in depressie (LEOPARD studie).

Depressie is wereldwijd een veel voorkomende aandoening. Het is geassocieerd
met verhoogde morbiditeit en mortaliteit. Symptomen zijn een neerslachtige
stemming die meer dan twee weken aanhoudt, emotionele klachten,
gezondheidsklachten en zelfmoord. Depressie is de grootste oorzaak van
invaliditeit met een daarbij komend hoog sociaaleconomische last.

Hoewel er tegen depressie antidepressiva (AD) beschikbaar zijn, ondervindt
slechts een derde van de patiënten afdoende afname aan symptomen bij initiële
behandeling, en slechts 50% na één jaar. Richtlijnen adviseren vier tot acht
weken behandeling met een AD voordat alternatieve medicatie overwogen wordt in
niet reagerende patiënten, en dat als een AD na 1-2 maanden nog niet het
gewenste effect bereikt heeft er gewisseld dient te worden naar een ander
medicament. Deze periode van ineffectieve farmacologische behandeling vertraagt
adequate behandeling en verlengt het lijden aan symptomen van de ziekte en aan
bijwerkingen zoals gewichtstoename en slaapverlies. Daarnaast verlaagt dit
langdurige proces het vertrouwen van patiënten in farmacologische therapie wat
patiënten minder therapietrouw maakt. Het is daarom van groot belang deze
periode bij ineffectieve medicatie te verkorten.

Vanuit de hoek van de precisiegeneeskunde is er een toegenomen interesse in
algoritmes die voorspellende eigenschappen in data benutten om voorspellingen
te maken. Zo worden oncologische behandelstrategieën al aangepast op het
genetisch profiel van een tumor. Toepassingen van precisiegeneeskunde in de
psychiatrie staan echter voor een aantal uitdagingen. Zo mist er -in
tegenstelling tot in de oncologie- een definitieve bio- of histologische
diagnostische test voor depressie. Diagnostiek vindt nu plaats op basis van
symptomen en nosologie zoals voorgeschreven in het Statistic Manual of Mental
Disorders (DSM).

Het National Institute of Mental Health (NIMH) benadrukt daarom dat het vinden
van biomarkers een hoge prioriteit heeft om biologische en klinische data te
kunnen integreren. Hiermee is het veld van de psychoradiologie opgekomen,
gepionierd door Gong et al, om door middel van biomarkers objectieve
diagnostische tests te realiseren zoals dat in andere gebieden van de
geneeskunde bestaat. Hier kunnen biomarkers afgeleid uit neurologische
afbeeldingen een belangrijke rol in spelen door zijn non-invasieve karakter.
Ons onderzoek legt hierin de focus op eigenschappen die voorspellend zijn voor
behandelingsrespons. Eigenschappen die in eerder werk voorspellend zijn
gebleken zijn onder andere: volume van hersendelen vóór de behandeling;
veranderingen in morfologie van hersengebieden na behandeling; patronen in
grijze en witte stof vóór behandeling; aanwezigheid van subcorticale
hyperdensiteiten; verlaagde fractionele anisotropie en diffusiviteit in
Diffusion Tensor Imaging (DTI); en locale veranderingen in resting-state
functional connectivity (RSFC) in resting state functionele MRI (rsfMRI).

In voorafgaand onderzoek genaamd DEPREDICT ontwikkelen wij een
radiomics-gebaseerd algoritme dat het mogelijk maakt vroegtijdig en met
voldoende precisie (non-)respons te voorspellen, zodat deze patiënten eerder
kunnen afbouwen en eerder aan een vervolgmedicament kunnen starten. Radiomics
is het omzetten van kwantitatieve eigenschappen voor het gebruik van analyse en
uiteindelijk besluitvormingsondersteuning. Hierbij worden afbeeldingen dus niet
meer subjectief beoordeeld door visuele inspectie, maar beschouwd als
kwantitatieve data die door geavanceerde statistische methoden geanalyseerd kan
worden. De ontwikkeling van dit algoritme vind plaats op basis van bestaande
retrospectieve data.

De eerste stap voor DEPREDICT richting klinische implementatie is het aantonen
van reproduceerbaarheid. Daarom beoogt deze studie -LEOPARD- de voorspellende
waarde van dit algoritme vast te stellen door een longitudinale studie. Hierin
zal getest worden hoe goed het algoritme is in het voorspellen van week 8
respons op basis van baseline en week 8 klinische informatie, MRI scans, en
informatie over activiteit en slaap verkregen met een accelerometer in een
polsbandje. De resultaten van LEOPARD zullen essentieel zijn voor de strategie
van de ontwikkeling van het DEPREDICT algoritme richting klinische
implementatie. Een positief resultaat van deze studie (zijnde: sterke
voorspellende eigenschappen van het algoritme) zal de volgende stap, een
gerandomiseerd blind onderzoek mogelijk maken. Als het DEPREDICT algoritme
hierin effectief blijkt te zijn zal dit een grote stap zijn richting een
waardevol objectief middel ter ondersteuning van klinische besluitvorming, met
grote gezondheids en economische impact.

Om het DEPREDICT algoritme de valideren als een middel met voldoende waarde bij
responsvoorspelling van antidepressiva.

Een achte weken durend observationeel, longitudinaal, niet-gerandomiseerd,
single-center onderzoek van behandelingsrespons van open-label antidepressiva
(SSRI/SNRI) onder volwassen patiënten met gediagnosticeerde depressie die
farmacologische behandeling behoeven.
Het algoritme wordt getest door behandelingsrespons op week 8 te voorspellen op
basis van baseline en week 2 klinische data, MRI scans en data betreffende
activiteit en slaap.

Er zijn geen risico's geassocieerd met de 3 Tesla MRI sequenties. De duur van
deze scan sessie zijn 45 minuten (maximaal 60 inclusief overhead), noch met
klinische interviews. Ook het polsbandje met accelerometer draagt geen risico's
met zich mee. Hiermee achten wij de belasting minimaal en het risico
verwaarloosbaar.