Voorspelling van depressieve episoden op basis van klinische kenmerken, cognitieve eigenschappen, ontstekingsgerelateerde eiwitten en EEG-gegevens

Waarom hersengolven en bloedtesten aanwijzingen voor stemming kunnen bieden

Depressie treft honderden miljoenen mensen, maar artsen stellen de diagnose nog vaak vooral op basis van gesprekken en vragenlijsten. Deze studie onderzoekt of verborgen patronen in slaapproblemen, denkvaardigheden, hersenactiviteit en immuuncellen in het bloed gecombineerd met moderne computertechnieken een objectievere aanwijzing kunnen geven voor wanneer iemand een depressieve episode doormaakt. Als zo’n signaal betrouwbaar blijkt, zou het artsen uiteindelijk kunnen helpen depressie vroeger te detecteren en behandelingen nauwkeuriger af te stemmen.

Verschillende soorten aanwijzingen bij elkaar brengen

De onderzoekers volgden 115 volwassenen met een ernstige depressieve stoornis en vergeleken hen met 66 gezonde vrijwilligers. Van elke persoon verzamelden ze een brede reeks gegevens: symptoomschalen voor depressie, angst, plezierbeleving en slapeloosheid; gedetailleerde tests van geheugen, aandacht en visueel-ruimtelijk denken; een speciale vorm van hersenregistratie genaamd EEG-microstaten die snelle verschuivingen in hersennetwerken volgt; en de concentraties van meer dan 30 ontstekingsgerelateerde eiwitten in het bloed. Zesenvijftig patiënten werden na vier weken antidepressivabehandeling opnieuw beoordeeld. De eerste dataronde van de patiënten plus alle gezonde vrijwilligers werd gebruikt om computermodellen te trainen, terwijl de vervolggegevens samen met dezelfde gezonde groep werden gebruikt om te testen hoe goed die modellen depressie in nieuwe metingen konden herkennen.

Hoe computers naar een depressiefingerprint zochten

Aangezien de dataset rijk maar matig van omvang was, reinigde het team deze eerst zorgvuldig: ze verwijderden vaak ontbrekende metingen en vulden kleinere gaten met gevestigde statistische methoden. Vervolgens gebruikten ze een techniek genaamd Lasso-regressie om tientallen kandidaatmetingen terug te brengen tot een kleinere set die de meeste informatie bevatte over wie depressief was en wie niet. Daaruit concentreerden ze zich op acht opvallende kenmerken: ernst van slapeloosheid, prestaties op een visueel-ruimtelijke taak die peilt hoe goed mensen visuele informatie verwerken en construeren, de gemiddelde lengte van een specifiek EEG-patroon genaamd microstaat D, en vijf ontstekingsgerelateerde eiwitten in het bloed (IL-8, IL-18, MMP-8, CD40 en CASP-8). Deze kenmerken werden vervolgens ingevoerd in zes verschillende machine-learningalgoritmen die leren patronen te herkennen die depressieve van gezonde deelnemers onderscheiden.

Wat het model leerde over lichaam en brein bij depressie

Alle zes computermodellen presteerden goed, maar tijdens validatie op de vervolggegevens stak het k-nearest neighbor-model er bovenuit: het classificeerde ongeveer 95% van de gevallen correct en toonde een bijna perfecte scheiding tussen depressieve en niet-depressieve deelnemers. Om te onderzoeken welke signalen het belangrijkst waren, gebruikten de onderzoekers een verklaringsmethode die elk kenmerk als een “speler” behandelt die bijdraagt aan de beslissing van het model. Twee immuuneiwitten, IL-8 en IL-18, bleken bijzonder invloedrijk, gevolgd door de score voor slapeloosheid, het eiwit MMP-8, de immuunreceptor CD40, het enzym CASP-8, visueel-ruimtelijk denkvermogen en de gemiddelde duur van EEG-microstaat D. Wanneer alle ontstekingseiwitten uit het model werden verwijderd, daalde de prestatie sterk, wat aantoont dat de immuunsysteemmarkers niet slechts overbodige echo’s waren van andere klinische of hersenmetingen, maar unieke informatie toevoegden.

Wat dit kan betekenen voor slaap, denken en ontsteking

Het resultaatpatroon past bij een groeiende hoeveelheid onderzoek dat chronische laaggradige ontsteking en verstoorde hersennetwerken aan depressie koppelt. Mensen met depressie in deze studie hadden de neiging slecht te slapen, minder helder te denken in bepaalde visueel-ruimtelijke taken, een veranderde timing van microstaat D in hun EEG te tonen en gewijzigde niveaus van meerdere immuuneiwitten in hun bloed te vertonen. In plaats van te leunen op één enkele maat, creëerde het gecombineerde patroon over deze domeinen heen een krachtig signaal van een depressieve episode. De bevindingen benadrukken ook dat slapeloosheid en subtiele cognitieve veranderingen niet slechts bijverschijnselen zijn, maar centrale onderdelen van de depressiepuzzel.

Hoe dit werk toekomstige zorg kan helpen

Voor leken is de conclusie dat depressie een spoor nalaat in lichaam en brein dat kan worden opgevangen met zorgvuldig gekozen tests en slimme computeranalyse. De studie suggereert dat een relatief klein paneel van slaapscores, denkmetingen, hersengolfkenmerken en bloedproteïnen samen mensen met depressie met hoge nauwkeurigheid van gezonde personen kan onderscheiden. Hoewel het werk in één ziekenhuis is uitgevoerd en bevestigd moet worden in grotere, diversere groepen over langere perioden, laat het zien hoe een weg naar meer objectieve, op biologie gebaseerde instrumenten eruit zou kunnen zien die op een dag de klinische intake kunnen ondersteunen, maar niet vervangen, bij de diagnose en monitoring van depressie.

Bronvermelding: Sun, W., Yang, H., Sun, C. et al. Prediction of depressive episodes based on clinical features, cognitive characteristics, inflammation-related proteins, and EEG data. Transl Psychiatry 16, 202 (2026). https://doi.org/10.1038/s41398-026-03960-4

Trefwoorden: grote depressieve stoornis, biomarkers, ontsteking, EEG-microstaten, machine learning