Diep leren met elektro-encefalogram (EEG)-gegevens om SSRI-respons bij ernstige depressieve stoornis te diagnosticeren en te voorspellen

Waarom hersengolven de depressiezorg kunnen veranderen

Voor miljoenen mensen met een ernstige depressie betekent beter worden vaak een langzaam en frustrerend proces van vallen en opstaan met verschillende medicijnen. Deze studie stelt een eenvoudige maar krachtige vraag: in plaats van te gokken, zouden artsen patronen in iemands hersenactiviteit kunnen aflezen om zowel de diagnose te bevestigen als te voorspellen of een veelgebruikt antidepressivum daadwerkelijk voor die persoon zal werken?

In de hersenen kijken zonder operatie

De onderzoekers richtten zich op elektro-encefalografie, of EEG, een techniek van bijna een eeuw oud die de natuurlijke elektrische ritmes van de hersenen registreert met kleine sensoren op de hoofdhuid. EEG wordt al gebruikt bij de diagnose van epilepsie en slaapstoornissen en is relatief goedkoop en breed beschikbaar. Toch wordt het in de psychiatrie zelden gebruikt om behandeling te sturen, terwijl depressie voortkomt uit veranderingen in hersenfunctie. De auteurs betogen dat hierdoor het brein in de routinematige zorg vaak een ‘black box’ blijft: artsen zien symptomen zoals verdriet en vermoeidheid, maar meten niet routinematig wat het brein zelf doet.

Computers leren depressiepatronen herkennen

Om die black box te openen, wendde het team zich tot deep learning, een vorm van kunstmatige intelligentie die bijzonder goed is in het detecteren van subtiele patronen in complexe gegevens. Ze verzamelden rust‑EEG-opnamen van zes onafhankelijke groepen vrijwilligers wereldwijd: 146 personen zonder huidige psychische ziekte en 203 patiënten met ernstige depressie. Alle opnamen werden gestandaardiseerd tot slechts tien gedeelde sensorlocaties en een bescheiden bemonsteringssnelheid, vergelijkbaar met wat realistisch in gewone klinieken gedaan kan worden. Het deep learning-model werd getraind op een deel van de gegevens en vervolgens getest op EEG-opnamen van mensen die het nog nooit had ‘gezien’, zodat het algemene hersensignaturen leerde in plaats van individuele personen te onthouden.

Van signaal naar behandelingsvoorspelling

Eenmaal getraind kon het model depressieve patiënten onderscheiden van gezonde vrijwilligers met ongeveer 68% nauwkeurigheid op het niveau van hele personen, niet slechts korte EEG-fragmenten. Nog opvallender was dat toen de onderzoekers het systeem vroegen te voorspellen welke depressieve patiënten zouden reageren op een veelgebruikte klasse antidepressiva—selectieve serotonineheropnameremmers (SSRI’s)—het systeem respondenten correct scheidde van niet‑respondenten in ongeveer 79% van de gevallen. In praktische termen suggereren simulaties dat het gebruik van zo’n hulpmiddel om te bepalen of een patiënt een SSRI start of overstapt naar een alternatief de initiële behandelsuccesrate zou kunnen verhogen van ongeveer 50% tot circa 70%. Dat betekent veel minder mensen die wekenlang een medicijn gebruiken dat hen niet zal helpen.

Wat de computer ‘ziet’ in hersengolven

Een veelgehoorde kritiek op moderne AI is dat het soms een black box is: het doet voorspellingen, maar legt niet uit hoe. Hier pakten de auteurs dat probleem aan met een visualisatiemethode genaamd Grad‑CAM om te benadrukken welke delen van het EEG het meest van invloed waren op de beslissingen van het model. Ze vonden dat activiteit in de zogenaamde alpha-band—rustige hersenritmes in het bereik van 8–12 cycli per seconde—boven specifieke frontale en pariëtale gebieden bijzonder belangrijk was. Deze gebieden zijn in eerder onderzoek gekoppeld aan emotionele regulatie en aan netwerken die overactief zijn bij depressie. De studie vergeleek het deep learning-systeem ook met meer traditionele machine learning-benaderingen en een andere populaire EEG-specifieke netwerkarchitectuur. Die eenvoudigere modellen presteerden merkbaar slechter, vooral bij het voorspellen van behandelingsrespons, wat benadrukt dat de rijkere deep learning-aanpak aanvullende, klinisch relevante structuren in de signalen vastlegde.

Beperkingen, praktische obstakels en belofte

De auteurs waarschuwen dat hun werk geen afgerond diagnostisch product is. Hoewel de modellen getest werden op ongeziene patiënten uit meerdere centra, verschilden de datasets nog in details zoals het tijdstip van symptoombeoordelingen en medicijncombinaties, en ze gebruikten slechts tien EEG-sensoren—te weinig om exacte hersenbronnen te lokaliseren. De nauwkeurigheid, hoewel bemoedigend, is niet perfect, en er blijven vragen over hoe factoren zoals sekseverschillen en comorbide stoornissen de patronen kunnen beïnvloeden. Toch toont de studie aan dat zelfs goedkope, korte EEG-opnamen genoeg informatie kunnen bevatten voor AI om zinvol te helpen bij zowel diagnose als behandelingskeuze.

Wat dit voor patiënten kan betekenen

Eenvoudig gezegd suggereert dit onderzoek dat een korte, betaalbare hersengolfmeting, geanalyseerd door een slim computerprogramma, artsen kan helpen te verschuiven van giswerk naar gepersonaliseerde zorg bij depressie. Door objectieve breinmarkers te identificeren die zowel de aanwezigheid van een ernstige depressie als de kans op respons op SSRI’s aangeven, zouden EEG-gebaseerde deep learning-instrumenten de tijd die mensen lijden op ineffectieve behandelingen kunnen verkorten en de totale last voor patiënten, gezinnen en zorgsystemen kunnen verminderen. Hoewel grootschaligere, meer gestandaardiseerde studies nog nodig zijn voordat zulke tools routine worden, baant dit werk een realistisch pad naar het gebruik van alledaagse hersenmetingen om sneller de juiste persoon aan het juiste antidepressivum te koppelen.

Bronvermelding: Olbrich, S., Jaworska, N., de la Salle, S. et al. Deep learning using electroencephalogram (EEG) data for diagnosing and predicting SSRI response in major depressive disorder. Commun Med 6, 159 (2026). https://doi.org/10.1038/s43856-026-01394-z

Trefwoorden: ernstige depressieve stoornis, EEG, diep leren, antidepressivumrespons, gepersonaliseerde psychiatrie