Potentialen hos AI för förutsägelse av läkemedelsbehandling vid depression : En scoping review

Sammanfattning

Depression är en av de mest förekommande psykiska sjukdomarna globalt och kan ha en betydande påverkan på individens livskvalitet. Trots att flera olika läkemedel finns tillgängliga, svarar en stor andel av patienterna inte på det första behandlingsvalet, vilket ofta leder till en process av att prova olika läkemedel för att hitta bästa alternativ. Denna process förlänger lidandet för patienten men innebär också en belastning för vården och en ekonomisk belastning för samhälle. Under de senaste åren har intresset ökat för att använda artificiell intelligens för att förutsäga behandlingssvar vid depression. Detta skulle kunna skapa möjlighet att ge en mer individanpassad läkemedelsbehandling till patienter med depression. Syftet med denna scoping review är att sammanställa aktuell litteratur om hur väl artificiell intelligens kan förutsäga behandlingssvar på läkemedel av depression. Fokus ligger på att analysera vilka typer av data och algoritmer som använts samt vilken prediktionsnoggrannhet modellerna uppnått. Genom att kartlägga det aktuella kunskapsläget kan detta arbete ge en samlad bild av artificiell intelligens nuvarande potential inom individanpassad läkemedelsbehandling vid depression. Flera studier har visat att maskininlärning har potential att förbättra förutsägelser av behandlingssvar vid depression. Metoder där EEG-data använts har visat en särskilt hög prediktionsnoggrannhet där vissa studier kunnat visa över 80 % träffsäkerhet. Kombinationer av flera datatyper, såsom kliniska, molekylära och neuroimaging data kan i vissa fall förbättra prediktionsförmågan, medan andra studier visat att flera olika typer av data inte alltid leder till ett bättre resultat. Framgången ser ut att bero på vald datatyp, algoritm och hur data bearbetas. Fortsatt forskning krävs för att öka modellernas förmåga att särskilja läkemedelseffekter från placebo och andra icke-farmakologiska faktorer för att möjliggöra att tekniken kan användas kliniskt.