Previsione della remissione dopo stimolazione magnetica transcranica ripetitiva nella depressione resistente al trattamento: confronto tra modelli di machine learning parsimoniosi e ensemble

La stimolazione magnetica transcranica ripetitiva (rTMS) rappresenta un trattamento impegnativo in termini di risorse per la depressione resistente al trattamento (TRD). Questo studio retrospettivo ha valutato se modelli di machine learning più complessi migliorino la capacità di predire la remissione rispetto a un modello clinico parsimonioso basato su tre variabili: età, sesso e punteggio basale MADRS. Sono stati analizzati 263 adulti sottoposti a rTMS che disponevano di dati completi. Sono stati confrontati modelli semplici di regressione logistica con modelli multivariati ottimizzati e ensemble SuperLearner, utilizzando set di caratteristiche che variavano da variabili cliniche standard a punteggi di questionari e dimensioni sintomatiche. L'outcome primario era la remissione definita da un MADRS ≤10 al follow-up. Il 27,0% dei partecipanti ha raggiunto la remissione. I modelli hanno mostrato un'area sotto la curva ROC calibrata compresa tra 0,685 e 0,711, con il modello semplice che raggiungeva 0,707; le differenze rispetto ai modelli più complessi non sono risultate statisticamente significative dopo correzione per confronti multipli. L'imputazione tramite random forest non ha migliorato le prestazioni, e la discriminazione della risposta MADRS è stata inferiore rispetto alla remissione. Con una soglia di previsione del 25%, i modelli hanno migliorato il numero di decisioni vere positive rispetto all'approccio treat-all. In sintesi, in questa coorte validata internamente, modelli ricchi e ensemble non hanno superato un modello semplice a tre variabili, benché questa analisi non confermi equivalenza o trasferibilità dei risultati.