Deconstructing depression:A 3D perspective

De depressie is een veel voorkomende aandoening en die een grote bijdrage levert aan de wereldwijde ziektelast. Ondanks veel onderzoek, hebben we nog steeds weinig begrip van de onderliggende mechanismen en de optimale behandeling van depressie. Dit komt deels doordat de huidige diagnostische classificatie van depressie wordt geplaagd door een hoge mate van heterogeniteit; in andere woorden: patiënten met precies dezelfde diagnose verschillen sterk wat betreft klinische presentatie, etiologie, beloop, ernst en comorbiditeit. Daarom heeft men geprobeerd om patiënten in te delen in meer homogene depressie subgroepen, in de hoop dat deze subgroepen een specifiekere behandelindicatie zouden hebben en aan specifieke onderliggende mechanismen gelinkt zouden kunnen worden. Echter, patiënten verschillen op veel gebieden, waaronder hun symptomen en het beloop van deze symptomen. Geen van de tot nu toe ontwikkelde subgroepen vatte al deze verschillen tussen personen. Dit proefschrift presenteert daarom een nieuwe benadering om patiënten beter te in te delen op basis van hun symptoom-specifieke beloopspatronen. Hierbij wordt gebruik gemaakt van een vernieuwende data-gedreven statistische benadering die om kan gaan met data waarin variatie op meerdere vlakken voorkomt. Daarmee wordt meer recht gedaan aan de complexiteit van depressie bij de identificatie van patiënt-subtypen. De resultaten gaven aan dat deze aanpak ons in staat stelt om een meer beter beeld te krijgen van de vele gezichten van depressie en de grote verscheidenheid in karakteristieken en beloop tussen patiënten. Dergelijke inzichten zijn essentieel voor een beter begrip van het ontstaan ​​van depressie en voor het optimaliseren van de diagnostiek en behandeling.Major Depressive Disorder (MDD) is a common disorder and acknowledged to be one of the largest contributors to the global burden of disease. However, understanding the underlying mechanisms and optimal treatment of MDD has been shown to be difficult. This is because the current diagnostic system allows for high levels of heterogeneity. MDD patients differ to a large extent with respect to their clinical presentation, etiology, course, severity and comorbidity. Research has been focused on identification of more homogeneous subtypes of MDD, in the hope that such subtypes could be linked to more specific clinical decisions (e.g. course, treatment) and underlying mechanisms. However, subtypes have so far been simple, mostly differentiating between patients based on a few criterion symptoms (e.g. appetite gain vs. loss), but unable to capture more complex variations across patients in how different symptoms develop and interact over time. Therefore, this dissertation presents a new method to subgroup patients based on their course-trajectories on different symptoms, using a data-driven statistical approach that can handle data in which multiple sources of variation exist and does justice to the complexity of depression. The results indicated that this approach allows us to gain a much better view of the many possible forms that depression can take and the variations that exist among patients in terms of their characteristics, course and prognosis. Such insights are essential to gain a better understanding of the etiology of depression and to optimize the diagnostics and treatment of depression