Background

 There is substantial evidence that antidepressant medications treat moderate to severe depression effectively, but there is less data on cognitive therapy’s effects in this population. 

Objective

 To compare the efficacy in moderate to severe depression of antidepressant medications with cognitive therapy in a placebo-controlled trial. 

Design

 Random assignment to one of the following: 16 weeks of medications (n = 120), 16 weeks of cognitive therapy (n = 60), or 8 weeks of pill placebo (n = 60). 

Setting

 Research clinics at the University of Pennsylvania, Philadelphia, and Vanderbilt University, Nashville, Tenn. 

Patients

 Two hundred forty outpatients, aged 18 to 70 years, with moderate to severe major depressive disorder. 

Interventions

 Some study subjects received paroxetine, up to 50 mg daily, augmented by lithium carbonate or desipramine hydrochloride if necessary; others received individual cognitive therapy. 

Main Outcome Measure

 The Hamilton Depression Rating Scale provided continuous severity scores and allowed for designations of response and remission. 

Results

 At 8 weeks, response rates in medications (50%) and cognitive therapy (43%) groups were both superior to the placebo (25%) group. Analyses based on continuous scores at 8 weeks indicated an advantage for each of the active treatments over placebo, each with a medium effect size. The advantage was significant for medication relative to placebo, and at the level of a nonsignificant trend for cognitive therapy relative to placebo. At 16 weeks, response rates were 58% in each of the active conditions; remission rates were 46% for medication, 40% for cognitive therapy. Follow-up tests of a site × treatment interaction indicated a significant difference only at Vanderbilt University, where medications were superior to cognitive therapy. Site differences in patient characteristics and in the relative experience levels of the cognitive therapists each appear to have contributed to this interaction. 

Conclusion

 Cognitive therapy can be as effective as medications for the initial treatment of moderate to severe major depression, but this degree of effectiveness may depend on a high level of therapist experience or expertise.

Antidepressant medication prevents the return of depressive symptoms, but only as long as treatment is continued.To determine whether cognitive therapy (CT) has an enduring effect and to compare this effect against the effect produced by continued antidepressant medication.Patients who responded to CT in a randomized controlled trial were withdrawn from treatment and compared during a 12-month period with medication responders who had been randomly assigned to either continuation medication or placebo withdrawal. Patients who survived the continuation phase without relapse were withdrawn from all treatment and observed across a subsequent 12-month naturalistic follow-up.Outpatient clinics at the University of Pennsylvania and Vanderbilt University.A total of 104 patients responded to treatment (57.8% of those initially assigned) and were enrolled in the subsequent continuation phase; patients were initially selected to represent those with moderate to severe depression.Patients withdrawn from CT were allowed no more than 3 booster sessions during continuation; patients assigned to continuation medication were kept at full dosage levels.Relapse was defined as a return, for at least 2 weeks, of symptoms sufficient to meet the criteria for major depression or Hamilton Depression Rating Scale scores of 14 or higher during the continuation phase. Recurrence was defined in a comparable fashion during the subsequent naturalistic follow-up.Patients withdrawn from CT were significantly less likely to relapse during continuation than patients withdrawn from medications (30.8% vs 76.2%; P = .004), and no more likely to relapse than patients who kept taking continuation medication (30.8% vs 47.2%; P = .20). There were also indications that the effect of CT extends to the prevention of recurrence.Cognitive therapy has an enduring effect that extends beyond the end of treatment. It seems to be as effective as keeping patients on medication.

In this study of cognitive-behavioral therapy for depression, many patients experienced large symptom improvements in a single between-sessions interval. These sudden gains' average magnitude was 11 Beck Depression Inventory points, accounting for 50% of these patients' total improvement. Patients who experienced sudden gains were less depressed than the other patients at posttreatment, and they remained so 18 months later. Substantial cognitive changes were observed in the therapy sessions preceding sudden gains, but few cognitive changes were observed in control sessions, suggesting that cognitive change in the pregain sessions triggered the sudden gains. Improved therapeutic alliances were also observed in the therapy sessions immediately after the sudden gains, as were additional cognitive changes, suggesting a three-stage model for these patients' recovery: preparation-->critical session/sudden gain-->upward spiral.

• Patients successfully treated during a 3-month period with either imipramine hydrochloride pharmacotherapy, cognitive therapy, or combined cognitive-pharmacotherapy were monitored during a 2-year posttreatment follow-up period. Half of the patients treated with pharmacotherapy alone continued to receive study medications for the first year of the follow-up. All other patients discontinued treatment at the end of the acute treatment phase. Patients treated with cognitive therapy (either alone or in combination with medication) evidenced less than half the rate of relapse shown by patients in the medication—on continuation condition, and their rate did not differ from that of patients provided with continuation medication. It appears that providing cognitive therapy during acute treatment prevents relapse. Whether this preventive effect extends to recurrence remains to be determined.

Background Advances in personalized medicine require the identification of variables that predict differential response to treatments as well as the development and refinement of methods to transform predictive information into actionable recommendations. Objective To illustrate and test a new method for integrating predictive information to aid in treatment selection, using data from a randomized treatment comparison. Method Data from a trial of antidepressant medications (N = 104) versus cognitive behavioral therapy (N = 50) for Major Depressive Disorder were used to produce predictions of post-treatment scores on the Hamilton Rating Scale for Depression (HRSD) in each of the two treatments for each of the 154 patients. The patient's own data were not used in the models that yielded these predictions. Five pre-randomization variables that predicted differential response (marital status, employment status, life events, comorbid personality disorder, and prior medication trials) were included in regression models, permitting the calculation of each patient's Personalized Advantage Index (PAI), in HRSD units. Results For 60% of the sample a clinically meaningful advantage (PAI≥3) was predicted for one of the treatments, relative to the other. When these patients were divided into those randomly assigned to their “Optimal” treatment versus those assigned to their “Non-optimal” treatment, outcomes in the former group were superior (d = 0.58, 95% CI .17—1.01). Conclusions This approach to treatment selection, implemented in the context of two equally effective treatments, yielded effects that, if obtained prospectively, would rival those routinely observed in comparisons of active versus control treatments.

Context

 High neuroticism is a personality risk factor that reflects much of the genetic vulnerability to major depressive disorder (MDD), and low extraversion may increase risk as well. Both have been linked to the serotonin system. 

Objectives

 To test whether patients with MDD taking selective serotonin reuptake inhibitors (SSRIs) report greater changes in neuroticism and extraversion than patients receiving inert placebo, and to examine the state effect hypothesis that self-reported personality change during SSRI treatment is merely a change of depression-related measurement bias. 

Design

 A placebo-controlled trial. 

Setting

 Research clinics. 

Patients

 Adult patients with moderate to severe MDD randomized to receive paroxetine (n = 120), placebo (n = 60), or cognitive therapy (n = 60). 

Outcome Measures

 NEO Five-Factor Inventory and Hamilton Rating Scale for Depression. 

Results

 Patients who took paroxetine reported greater personality change than placebo patients, even after controlling for depression improvement (neuroticism,P < .001; extraversion,P = .002). The advantage of paroxetine over placebo in antidepressant efficacy was no longer significant after controlling for change in neuroticism (P = .46) or extraversion (P = .14). Patients taking paroxetine reported 6.8 times as much change on neuroticism and 3.5 times as much change on extraversion as placebo patients matched for depression improvement. Although placebo patients exhibited substantial depression improvement (Hamilton Rating Scale for Depression score, −1.2 SD,P < .001), they reported little change on neuroticism (−0.18 SD,P = .08) or extraversion (0.08 SD,P = .50). Cognitive therapy produced greater personality change than placebo (P ≤ .01); but its advantage on neuroticism was no longer significant after controlling for depression (P = .14). Neuroticism reduction during treatment predicted lower relapse rates among paroxetine responders (P = .003) but not among cognitive therapy responders (P = .86). 

Conclusions

 Paroxetine appears to have a specific pharmacological effect on personality that is distinct from its effect on depression. If replicated, this pattern would disconfirm the state effect hypothesis and instead support the notion that SSRIs' effects on personality go beyond and perhaps contribute to their antidepressant effects.

A recent randomized controlled trial found nearly equivalent response rates for antidepressant medications and cognitive therapy in a sample of moderate to severely depressed outpatients. In this article, the authors seek to identify the variables that were associated with response across both treatments as well as variables that predicted superior response in one treatment over the other. The sample consisted of 180 depressed outpatients: 60 of whom were randomly assigned to cognitive therapy; 120 were assigned to antidepressant medications. Treatment was provided for 16 weeks. Chronic depression, older age, and lower intelligence each predicted relatively poor response across both treatments. Three prescriptive variables-marriage, unemployment, and having experienced a greater number of recent life events-were identified, and each predicted superior response to cognitive therapy relative to antidepressant medications. Thus, 6 markers of treatment outcome were identified, each of which might be expected to carry considerable clinical utility. The 3 prognostic variables identify subgroups that might benefit from alternative treatment strategies; the 3 prescriptive variables identify groups who appear to respond particularly well to cognitive therapy.

For many years, psychiatrists have tried to understand factors involved in response to medications or psychotherapies, in order to personalize their treatment choices. There is now a broad and growing interest in the idea that we can develop models to personalize treatment decisions using new statistical approaches from the field of machine learning and applying them to larger volumes of data. In this pursuit, there has been a paradigm shift away from experimental studies to confirm or refute specific hypotheses towards a focus on the overall explanatory power of a predictive model when tested on new, unseen datasets. In this paper, we review key studies using machine learning to predict treatment outcomes in psychiatry, ranging from medications and psychotherapies to digital interventions and neurobiological treatments. Next, we focus on some new sources of data that are being used for the development of predictive models based on machine learning, such as electronic health records, smartphone and social media data, and on the potential utility of data from genetics, electrophysiology, neuroimaging and cognitive testing. Finally, we discuss how far the field has come towards implementing prediction tools in real-world clinical practice. Relatively few retrospective studies to-date include appropriate external validation procedures, and there are even fewer prospective studies testing the clinical feasibility and effectiveness of predictive models. Applications of machine learning in psychiatry face some of the same ethical challenges posed by these techniques in other areas of medicine or computer science, which we discuss here. In short, machine learning is a nascent but important approach to improve the effectiveness of mental health care, and several prospective clinical studies suggest that it may be working already.