Development and Validation of a Deep-Learning Model for Differential Treatment Benefit Prediction for Adults with Major Depressive Disorder Deployed in the Artificial Intelligence in Depression Medication Enhancement (AIDME) Study

要約

はじめに: 大うつ病性障害 (MDD) の薬物治療は、試行錯誤のアプローチに依存しています。
治療を個別化して転帰を改善することを目的とした人工知能 (AI) モデルを紹介します。このモデルは、うつ病治療強化における人工知能 (AIDME) 研究で導入されました。
目的: 1) 少なくとも中等度の大うつ病を患う成人に対する複数の薬物治療にわたる寛解の確率を予測できるモデルを開発する。
2) モデルの予測を検証し、有害なバイアスが増幅されていないかどうかを検査します。
方法：抗うつ薬に関するこれまでの臨床試験のデータが共通の枠組みに標準化され、中等度から重度の大うつ病を患う成人9,042人が対象となった。
特徴の選択では、25 の臨床変数と人口統計変数が保持されました。
ベイズ最適化を使用して、深層学習モデルはトレーニング セットでトレーニングされ、検証セットを使用して洗練され、保持されたテスト セットで 1 回テストされました。
結果: 保持されたテストセットの評価では、実証されたモデルは 0.65 の AUC を達成しました。
このモデルは、テスト セットでヌル モデルよりも優れたパフォーマンスを示しました (p = 0.01)。
このモデルは臨床的有用性を実証し、仮説および実際の改善試験において集団寛解率の絶対的な改善を達成しました。
このモデルでは、ある薬剤 (エスシタロプラム) が一般に他の薬剤よりも優れていると特定しましたが (入力データと一致)、それ以外の点では薬剤ランキングに大きな変動がありました。
バイアス テストでは、モデルは潜在的に有害なバイアスを増幅しませんでした。
結論：我々は、治療を個別化するために治療の開始時または治療開始近くに使用することを目的とした、MDD患者の10の異なる治療選択肢の結果を予測できる最初のモデルを実証しました。
このモデルは、AIDME ランダム化比較試験中に臨床実践に導入され、その結果は別途報告されます。

要約(オリジナル)

INTRODUCTION: The pharmacological treatment of Major Depressive Disorder (MDD) relies on a trial-and-error approach. We introduce an artificial intelligence (AI) model aiming to personalize treatment and improve outcomes, which was deployed in the Artificial Intelligence in Depression Medication Enhancement (AIDME) Study. OBJECTIVES: 1) Develop a model capable of predicting probabilities of remission across multiple pharmacological treatments for adults with at least moderate major depression. 2) Validate model predictions and examine them for amplification of harmful biases. METHODS: Data from previous clinical trials of antidepressant medications were standardized into a common framework and included 9,042 adults with moderate to severe major depression. Feature selection retained 25 clinical and demographic variables. Using Bayesian optimization, a deep learning model was trained on the training set, refined using the validation set, and tested once on the held-out test set. RESULTS: In the evaluation on the held-out test set, the model demonstrated achieved an AUC of 0.65. The model outperformed a null model on the test set (p = 0.01). The model demonstrated clinical utility, achieving an absolute improvement in population remission rate in hypothetical and actual improvement testing. While the model did identify one drug (escitalopram) as generally outperforming the other drugs (consistent with the input data), there was otherwise significant variation in drug rankings. On bias testing, the model did not amplify potentially harmful biases. CONCLUSIONS: We demonstrate the first model capable of predicting outcomes for 10 different treatment options for patients with MDD, intended to be used at or near the start of treatment to personalize treatment. The model was put into clinical practice during the AIDME randomized controlled trial whose results are reported separately.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google