O Fim do Achismo? Exames Cerebrais Ajudam a Escolher o Antidepressivo Ideal

Cientistas usaram inteligência artificial para tentar prever quais pessoas com depressão responderiam melhor a certos antidepressivos. Com base em exames cerebrais e sintomas nas primeiras semanas de tratamento, eles conseguiram prever, com boa precisão, quem teria melhora. Isso pode ajudar, no futuro, a escolher o remédio certo mais rapidamente e evitar tentativas frustradas.

Tratar a depressão de forma eficaz continua sendo um grande desafio. Apesar da disponibilidade de vários antidepressivos, mais da metade das pessoas com transtorno depressivo maior não melhora com o primeiro medicamento que tenta.

Isso significa que muitos pacientes precisam passar por várias tentativas até encontrar um tratamento que funcione, o que pode levar tempo e agravar o sofrimento. 

Uma alternativa promissora para tornar esse processo mais eficiente é o uso de aprendizado de máquina, uma forma de inteligência artificial que analisa grandes volumes de dados para identificar padrões e fazer previsões.

A ideia é desenvolver modelos que, a partir de informações clínicas e exames cerebrais, consigam prever quais pacientes responderão melhor a determinado antidepressivo. 

No entanto, um dos maiores obstáculos nessa área é garantir que esses modelos funcionem não apenas dentro de um único estudo ou hospital, mas também em outros lugares, com populações diferentes. 

Muitos estudos anteriores testaram essas previsões dentro do mesmo grupo de pacientes, mas poucos avaliaram se os resultados se mantêm quando aplicados em outras realidades clínicas, com exames e protocolos variados. 

Para enfrentar esse desafio, os pesquisadores da Harvard Medical School, EUA, reuniram dados de dois grandes estudos clínicos sobre depressão: o EMBARC, realizado nos Estados Unidos, e o CANBIND-1, feito no Canadá. Totalizando 363 pacientes adultos (225 do EMBARC e 138 do CANBIND-1) com  idade média  de 36 anos, entre eles 235 mulheres (64,7%).

Em ambos, os participantes com depressão moderada a grave receberam um antidepressivo comum, sertralina ou escitalopram, e foram acompanhados com exames de ressonância magnética funcional (RMIf), além de avaliações clínicas detalhadas. 

O objetivo foi testar se modelos treinados com os dados de um estudo poderiam prever os resultados do outro. Por exemplo, se um modelo treinado com os dados canadenses conseguiria prever quem melhoraria no estudo americano, e vice-versa. 

Os pesquisadores também compararam diferentes momentos e tipos de informação. Descobriram que, em vez de depender apenas de dados coletados antes do início do tratamento, os modelos que usavam dados da segunda semana de uso do antidepressivo (como o nível de melhora inicial nos sintomas) tinham um desempenho melhor nas previsões. 

Além disso, incluir informações sobre a conectividade entre áreas do cérebro, como o córtex cingulado anterior e o córtex pré-frontal, aumentava ainda mais a precisão do modelo. 

Nesta figura, os pesquisadores mostram como certos padrões de atividade cerebral podem ajudar a prever quais pacientes com depressão vão responder melhor a um tipo de antidepressivo. Usando dados de exames cerebrais de pessoas tratadas com escitalopram (um antidepressivo) no estudo canadense CANBIND-1, os cientistas treinaram um modelo de computador. Depois, testaram esse modelo com dados de outro estudo (EMBARC), que usou outro antidepressivo, a sertralina, e também placebo. A figura mostra uma área do cérebro chamada cíngulo anterior dorsal (dACC), que se destacou como uma das principais regiões envolvidas na previsão da resposta ao tratamento. Essa área foi escolhida com base em dados do próprio estudo e também em pesquisas anteriores que já apontavam seu papel na depressão. Além disso, os gráficos mostram o quanto o modelo conseguiu prever corretamente a resposta ao tratamento em pessoas fora do estudo original.

Os resultados mostraram que é possível prever, com acerto moderado, quais pacientes vão se beneficiar do tratamento com antidepressivos, mesmo quando o modelo é testado em outro estudo clínico. 

A precisão foi melhor do que o acaso e demonstrou potencial para uso no mundo real. Esses achados indicam que, no futuro, talvez seja possível personalizar o tratamento da depressão com base em exames cerebrais e sintomas clínicos iniciais, encurtando o tempo de resposta e evitando tratamentos ineficazes.

O estudo representa um avanço importante rumo a uma psiquiatria mais precisa e individualizada.

LEIA MAIS:

Generalizability of Treatment Outcome Prediction Across Antidepressant Treatment Trials in Depression

Peter Zhukovsky, Madhukar H. Trivedi, Myrna Weissman, Ramin Parsey, Sidney Kennedy and Diego A. Pizzagalli

JAMA Netw Open. 2025;8(3):e251310. 

doi:10.1001/jamanetworkopen.2025.1310

Abstract:

Although several predictive models for response to antidepressant treatment have emerged on the basis of individual clinical trials, it is unclear whether such models generalize to different clinical and geographical contexts. To assess whether neuroimaging and clinical features predict response to sertraline and escitalopram in patients with major depressive disorder (MDD) across 2 multisite studies using machine learning and to predict change in depression severity in 2 independent studies. This prognostic study included structural and functional resting-state magnetic resonance imaging and clinical and demographic data from the Establishing Moderators and Biosignatures of Antidepressant Response in Clinical Care (EMBARC) randomized clinical trial (RCT), which administered sertraline (in stage 1 and stage 2) and placebo, and the Canadian Biomarker Integration Network in Depression (CANBIND-1) RCT, which administered escitalopram. EMBARC recruited participants with MDD (aged 18-65 years) at 4 academic sites across the US between August 2011 and December 2015. CANBIND-1 recruited participants with MDD from 6 outpatient centers across Canada between August 2013 and December 2016. Data were analyzed from October 2023 to May 2024. Prediction performance for treatment response was assessed using balanced classification accuracy and area under the curve (AUC). In secondary analyses, prediction performance was assessed using observed vs predicted correlations between change in depression severity. In 363 adult patients (225 from EMBARC and 138 from CANBIND-1; mean [SD] age, 36.6 [13.1] years; 235 women [64.7%]), the best-performing models using pretreatment clinical features and functional connectivity of the dorsal anterior cingulate had moderate cross-trial generalizability for antidepressant treatment (trained on CANBIND-1 and tested on EMBARC, AUC = 0.62 for stage 1 and AUC = 0.67 for stage 2; trained on EMBARC stage 1 and tested on CANBIND-1, AUC = 0.66). The addition of neuroimaging features improved the prediction performance of antidepressant response compared with clinical features only. The use of early-treatment (week 2) instead of pretreatment depression severity scores resulted in the best generalization performance, comparable to within-trial performance. Multivariate regressions showed substantial cross-trial generalizability in change in depression severity (predicted vs observed r ranging from 0.31 to 0.39). In this prognostic study of depression outcomes, models predicting response to antidepressants show substantial generalizability across different RCTs of adult MDD.