Dall’esperienza clinica reale alla prescrizione personalizzata di antidepressivi: un’analisi mediante machine learning delle scelte terapeutiche dei clinici.

Questo studio ha esaminato se le decisioni di prescrizione abituali dei psichiatri potessero essere utilizzate per identificare modelli di pratica clinica che supportino una selezione del trattamento più precisa per il disturbo depressivo maggiore. Sono stati analizzati 428 casi clinici reali raccolti da psichiatri di vari centri italiani, considerando trentuno variabili socio-demografiche e cliniche come input, e le prescrizioni di sedici antidepressivi come output. Sono stati confrontati cinque modelli di machine learning supervisionati (inclusi regressione logistica, multilayer perceptron, decision tree, LightGBM, XGBoost) con un approccio basato sulla similarità per recuperare casi clinicamente comparabili. I modelli supervisionati hanno mostrato una capacità predittiva limitata, vicino al caso, mentre l’approccio basato sulla similarità ha evidenziato concordanze significative nei casi comparabili. A livello di singolo antidepressivo, la concordanza totale è stata osservata in 223 casi (52,84%), con nessuna concordanza nei 10 vicini più prossimi in 104 casi (24,64%); la concordanza aumenta al 75,36% a livello di classe farmacologica (318 casi). I risultati indicano che i modelli supervisionati possono non essere adatti a dati di prescrizione psichiatrica reale, mentre l’analogia basata sulla similarità rispecchia meglio il ragionamento clinico effettivo. Inoltre, la maggiore concordanza a livello di classe farmacologica riflette linee guida che forniscono raccomandazioni più generali, mantenendo flessibilità nella scelta degli agenti specifici. Limiti specifici dello studio non sono indicati nell’abstract.