Verso l'agopuntura di precisione per la depressione: biomarcatori EEG microstato e apprendimento automatico spiegabile per la risposta al TECAS

La stimolazione elettrica transcutanea degli agopunti cranio-auricolari (TECAS) rappresenta una terapia neuromodulatrice efficace e sicura per il disturbo depressivo maggiore (MDD). Tuttavia, la variabilità individuale nella risposta al trattamento limita la sua efficacia clinica, rendendo necessario identificare biomarcatori affidabili e interpretabili per prevedere la risposta prima del trattamento. Questo studio ha sviluppato un modello di machine learning spiegabile integrando caratteristiche dei microstati EEG a riposo e variabili cliniche per predire la risposta antidepressiva al TECAS. Cinquanta pazienti con MDD al primo episodio, senza trattamento farmacologico precedente, sono stati valutati con EEG prima di un intervento TECAS di otto settimane. Sono state analizzate ventiquattro caratteristiche dei microstati EEG (durata, copertura, occorrenza e probabilità di transizione dei microstati A-D) e sei variabili cliniche, utilizzate come input per sei modelli di apprendimento automatico. Il modello Random Forest ha mostrato la miglior capacità discriminativa (AUC = 0.912). Le analisi di interpretabilità hanno evidenziato in particolare i parametri del microstato D (durata media, copertura e occorrenza) come predittori robusti: i soggetti rispondenti presentavano valori significativamente inferiori di questi parametri e tali misure erano correlate negativamente con il miglioramento sintomatologico. Lo studio suggerisce che la dinamica dei microstati EEG, specialmente del microstato D, può costituire un biomarcatore clinicamente significativo per personalizzare la terapia TECAS nella MDD.