Waarom dit onderzoek?

Gepersonaliseerd voorschrijven van antidepressiva door machinelearninggestuurde predictietools zou kunnen bijdragen aan betere behandeluitkomsten.

Onderzoeksvraag

Verbetert de PETRUSHKA-tool (‘personalising antidepressant treatment for unipolar depression combining individual choices, risks and big data’), een beslissingsondersteunend onlinesysteem dat klinische en demografische voorspellers combineert met patiëntvoorkeuren om behandeling met antidepressiva te personaliseren, de klinische uitkomsten van mensen in een depressieve episode?1

Hoe werd dit onderzocht?

In een multicentertrial werden patiënten met een depressie gerandomiseerd naar behandeling met de PETRUSHKA-tool of zorg-als-gebruikelijk. De predictietool is gebaseerd op machinelearning­modellen en genereert op basis van patiëntkenmerken en -voorkeuren een individuele voorspelling met een top drie van aanbevolen antidepressiva. De tool baseert zich op data uit diverse datasets, zoals gerandomiseerde trials en klinische registers uit de dagelijkse praktijk. De primaire uitkomstmaat was het staken van het antidepressivum om welke reden dan ook na acht weken.

Belangrijkste resultaten

In totaal werden 540 patiënten gerandomiseerd en 493 geïncludeerd in de primaire analyse (PETRUSHKA: n = 253; zorg-als-gebruikelijk: n = 267). De populatie bestond grotendeels uit eerstelijnspatiënten. De antidepressivakeuze verschilde tussen beide groepen. In de PETRUSHKA-groep ging het vooral om mirtazapine en escitalopram, versus sertraline en citalopram in de zorg-als-gebruikelijkgroep. Na 8 weken had 17% (42/241) in de PETRUSHKA-groep hun antidepressivum gestaakt en 27% (69/252) in de zorg-als-gebruikelijkgroep (gecorrigeerd relatief risico: 0,62, 95%-BI: 0,44-0,88; p = 0,007).

Hoe zal dit onderzoek ons vak veranderen?

Beslissingsondersteunende tools zoals PETRUSHKA zouden psychiaters kunnen helpen om behandelkeuzes verder te personaliseren, als aanvulling op klinische ervaring. In de praktijk baseren behandelaren zich vaak op een beperkt aantal antidepressiva waarmee ze vertrouwd zijn. Een predictietool kan helpen om systematischer patiëntkenmerken en voorkeuren mee te wegen. Hoewel deze studie vooral in de eerste lijn is uitgevoerd, lijkt het aannemelijk dat dergelijke tools in de toekomst een plaats krijgen binnen de ggz als ondersteuning van klinische besluitvorming.

Literatuur

1 Cipriani A, Fernandes KBP, Mulsant BH, e.a. A decision-support system to personalize antidepressant treatment in major depressive disorder: a randomized clinical trial. JAMA 2026: e261327.