Zaburzenie związane z używaniem substancji (uzależnienie od substancji)

Zaburzenie związane z używaniem substancji (uzależnienie od substancji)
Rokowania, prognozy i postęp choroby

Zaburzenia związane z używaniem substancji charakteryzują się dużą heterogenicznością kliniczną, co utrudnia przewidywanie wyników leczenia. Kluczowe czynniki prognostyczne niezależne od rodzaju substancji i środowiska terapeutycznego obejmują m.in. nasilenie uzależnienia, współwystępowanie zaburzeń psychicznych (zwłaszcza depresyjnych), motywację do leczenia, długość terapii, cechy osobowości, umiejętności radzenia sobie ze stresem, politoksykomanię, a także czynniki genetyczne i społeczne. Coraz większą rolę w prognozowaniu odgrywają markery biologiczne, takie jak architektura snu i odpowiedź neuroendokrynna. Wczesny początek alkoholizmu może predysponować do gorszej odpowiedzi na leczenie, ale jednocześnie wskazywać na potencjalną skuteczność farmakoterapii ondansetronem. Wprowadzenie klasyfikacji zaburzeń opartych na różnicach biologicznych może umożliwić identyfikację specyficznych predyktorów farmakoterapii.

Prognozy w zaburzeniach związanych z używaniem substancji

Zaburzenie związane z używaniem substancji (uzależnienie od substancji) charakteryzuje się różnorodnym przebiegiem klinicznym, co sprawia, że przewidywanie wyników leczenia stanowi istotne wyzwanie dla klinicystów. Pomimo tej heterogeniczności, badania naukowe wskazują na istnienie wielu czynników prognostycznych, które są niezależne od rodzaju substancji uzależniającej czy środowiska terapeutycznego. ¹

Kluczowe czynniki prognostyczne

W kontekście leczenia uzależnień zidentyfikowano szereg czynników, które w sposób istotny wpływają na rokowanie. Do najważniejszych należą:¹

Nasilenie uzależnienia lub objawów odstawiennych – silniejsze uzależnienie wiąże się z gorszym rokowaniem
Współwystępowanie zaburzeń psychicznych – obecność dodatkowych diagnoz psychiatrycznych komplikuje proces terapeutyczny
Problemy związane z używaniem substancji – zakres i głębokość problemów wynikających z uzależnienia
Motywacja do leczenia (zobowiązanie do abstynencji) – silniejsza motywacja wewnętrzna poprawia rokowanie
Długość trwania leczenia – dłuższa terapia zwykle prowadzi do lepszych wyników
Stany afektywne negatywne – depresja, lęk i inne zaburzenia nastroju pogarszają rokowanie
Czynniki poznawcze – przekonania pacjenta, jego zdolności do rozumienia swojej choroby
Cechy osobowości i zaburzenia osobowości – wpływają na współpracę i efekty terapii
Umiejętności radzenia sobie – strategiczne kompetencje w zakresie zarządzania stresem
Uzależnienie od wielu substancji – politoksykomania znacząco pogarsza rokowanie
Kontraktowanie warunkowe lub przymus – zewnętrzna kontrola i jej wpływ na proces terapii
Czynniki genetyczne – rodzinne obciążenie uzależnieniami
Architektura snu – zaburzenia snu jako marker biologiczny
Głód i pragnienie substancji – nasilenie głodu narkotykowego
Poczucie własnej skuteczności – wiara pacjenta w możliwość zmiany
Czynniki ekonomiczne i społeczne – stabilność socjalna, wsparcie otoczenia

Markery biologiczne jako predyktory rokowania

Badania wskazują na coraz większą rolę markerów biologicznych w prognozowaniu wyników leczenia. Szczególnie obiecujące są badania dotyczące odpowiedzi neuroendokrynnej i architektury snu. Nadal jednak nie jest jasne, czy stanowią one krytyczne czynniki w inicjacji używania substancji czy też jej progresji do pełnoobjawowego uzależnienia. Istnieją już dowody, że wczesny początek alkoholizmu wiąże się z gorszą odpowiedzią na leczenie w niektórych okolicznościach, jednak może stanowić predyktor pozytywnej odpowiedzi na ukierunkowaną farmakoterapię ondansetronem. ²

Wraz z rozwojem możliwości klasyfikowania zaburzeń w oparciu o istotne różnice biologiczne, przewiduje się pojawienie się kolejnych, specyficznych dla farmakoterapii, predyktorów wyników leczenia. ²

Nowoczesne metody prognozowania wyników leczenia

Uczenie maszynowe w prognozowaniu uzależnień

Nadużywanie substancji psychoaktywnych jest jedną z głównych przyczyn niepełnosprawności i śmierci na całym świecie. Pomimo istnienia leczenia opartego na dowodach naukowych, wyniki kliniczne są wysoce zróżnicowane wśród pacjentów, a wskaźniki nawrotów po leczeniu pozostają wysokie. Dlatego metody identyfikacji osób szczególnie zagrożonych niepowodzeniem leczenia (np. ograniczoną abstynencją w trakcie terapii) lub nawrotem po leczeniu są niezbędne do poprawy wyników. ³

W odpowiedzi na te potrzeby, coraz większą popularność zyskują podejścia oparte na modelowaniu predykcyjnym z walidacją krzyżową (tzw. uczenie maszynowe). Metody te są zaprojektowane do pokonywania ograniczeń tradycyjnych podejść poprzez skupienie się na różnicach indywidualnych i generalizacji do nowych pacjentów (walidacja krzyżowa), zwiększając tym samym prawdopodobieństwo replikacji i potencjalnego zastosowania w nowych warunkach klinicznych. ⁴

W kontekście leczenia uzależnień, celem modelowania predykcyjnego jest zazwyczaj oszacowanie (przewidzenie) wyniku klinicznego danej osoby (np. abstynencji podczas leczenia) przy użyciu danych uzyskanych na początku terapii. ⁵

Skuteczność modelowania predykcyjnego

Badania wykorzystujące modelowanie predykcyjne wykazały, że zmienne mózgowe (neuroobrazowanie) miały porównywalną lub wyższą dokładność predykcyjną w porównaniu do tradycyjnych zmiennych klinicznych. Wskazuje to, że heterogeniczność międzyosobnicza w cechach mózgowych w istotny sposób przyczynia się do wyników w leczeniu uzależnień. ⁶

Przy wykorzystaniu tego podejścia, naukowcy zidentyfikowali rozproszoną sieć neuronalną, która przewidywała abstynencję od kokainy. Abstynencja była przewidywana przez: (i) zwiększoną łączność między sieciami czołowo-ciemieniowymi i przyśrodkowymi czołowymi, (ii) zwiększoną łączność między sieciami istotności, ruchowo-sensorycznymi i podkorowymi, oraz (iii) zmniejszoną łączność między tymi dwoma systemami. ⁶

Odkrycia te są zgodne z wynikami badań opartych na regionach zainteresowania (ROI), które wskazują na udział obwodów neuronalnych związanych z kontrolą poznawczą w ukończeniu leczenia, a także z danymi opartymi na ligandach wskazującymi na udział dopaminy w przewidywaniu odpowiedzi na leczenie. Wskazują jednak również na zaangażowanie bardziej rozproszonych połączeń niż wcześniej zakładano. ⁷

Super Learner jako narzędzie prognostyczne

Jedną z obiecujących metod uczenia maszynowego wykorzystywanych w przewidywaniu sukcesu leczenia zaburzeń używania substancji jest tzw. Super Learner (SL). W badaniu porównującym 17 modeli predykcyjnych dla skutecznego ukończenia leczenia uzależnienia od substancji, SL wykazał najlepszą wydajność predykcyjną. ⁸⁹

Wyniki badań wskazują, że nawet niewielka poprawa dokładności prognozowania może znacząco wpłynąć na wyniki pacjentów i/lub koszty leczenia. Kiedy celem badań jest interpretacja wpływu różnych predyktorów na wynik leczenia, SL może być wykorzystywany w kontekście ukierunkowanych ram uczenia się. ⁹

Współwystępowanie zaburzeń psychicznych a wyniki leczenia

Podwójna diagnoza i jej wpływ na rokowanie

Współwystępowanie zaburzeń używania substancji i zaburzeń psychicznych, szczególnie zaburzeń depresyjnych, jest dobrze udokumentowane. Pacjenci z zaburzeniami używania substancji i współistniejącymi zaburzeniami psychicznymi charakteryzują się wysokim poziomem przerwania terapii, przy czym wielu pacjentów przerywa terapię w ciągu pierwszych kilku tygodni leczenia stacjonarnego. ¹⁰

Wskaźniki ukończenia leczenia mogą wahać się od 41 do 73%, przy czym wielu pacjentów przechodzi powtarzające się wczesne wypisy i ponowne przyjęcia. Leczenie pacjentów ze współistniejącymi zaburzeniami psychicznymi i zaburzeniami używania substancji wymaga bardziej złożonej opieki, obejmującej leczenie psychiatryczne, leczenie uzależnienia oraz leczenie medyczne. ¹⁰

Rozpowszechnienie zaburzeń psychicznych wśród pacjentów z uzależnieniami

Badania wskazują na znacznie wyższe rozpowszechnienie zaburzeń psychicznych wśród pacjentów uzależnionych w porównaniu do populacji ogólnej, szczególnie zaburzeń depresyjnych. Ponad połowa pacjentów leczonych z powodu uzależnienia zgłasza zaburzenia depresyjne, zwłaszcza kobiety i osoby leczone z powodu nadużywania alkoholu. ¹¹

Choć w niektórych badaniach współistniejące zaburzenia psychiczne nie były predyktorem wyników leczenia, wysoka częstość występowania problemów zdrowia psychicznego nie powinna być ignorowana. Ponad jedna trzecia osób ze zgłoszonym zaburzeniem psychicznym zgłasza myśli samobójcze, co dodatkowo komplikuje proces leczenia i wymaga specjalnego podejścia terapeutycznego. ¹¹

Skuteczność leczenia i możliwość powrotu do zdrowia

Efektywne podejścia terapeutyczne

Miliony Amerykanów borykają się z zaburzeniami używania substancji, co pozostaje istotnym problemem zdrowotnym. Przy skutecznym leczeniu, powrót do zdrowia jest możliwy dla każdego pacjenta. Istnieje siła w szukaniu pomocy. ¹²

Przezwyciężenie zaburzenia używania substancji nie jest tak proste jak oparcie się pokusie zażywania narkotyków. Powrót do zdrowia może wymagać zastosowania leków pomagających w radzeniu sobie z głodem i objawami odstawiennymi, a także różnych form terapii. Może nawet wymagać zgłoszenia się do ośrodka rehabilitacyjnego. ¹²

Znaczenie indywidualizacji leczenia

Podobnie jak w przypadku wielu innych chorób przewlekłych, dostępne jest leczenie zaburzeń używania substancji. Chociaż nie ma jednej metody leczenia odpowiedniej dla wszystkich, powrót do zdrowia jest możliwy, a pomoc jest dostępna dla pacjentów z zaburzeniami używania substancji. ¹²

Istnieją bezpieczne i skuteczne sposoby powrotu do zdrowia z zaburzeń używania substancji. Znalezienie odpowiedniej opcji leczenia może być kluczem do udanej drogi do zdrowia. Szczególne stany, takie jak zaburzenia związane z używaniem opioidów, mogą wymagać farmakoterapii jako pierwszej linii leczenia. Leczenie zaburzeń używania opioidów wspomagane lekami (MOUD) może pomóc w łagodzeniu głodu i objawów odstawiennych. Badania wykazały, że MOUD jest skuteczne w pomaganiu ludziom w powrocie do zdrowia z zaburzeń związanych z używaniem opioidów. ¹²

Wpływ podejścia terapeutycznego na rokowanie

Wyniki badań konsekwentnie wskazują, że odpowiednie leczenie współistniejących zaburzeń psychicznych oraz poprawa funkcjonowania społecznego, ekonomicznego i rodzinnego prowadzą do lepszych wyników leczenia. Oznacza to, że holistyczne podejście do pacjenta, uwzględniające nie tylko samo uzależnienie, ale również inne obszary jego życia, jest kluczowe dla pomyślnego rokowania. ¹

Nasilenie uzależnienia (w tym politoksykomania), poważne współwystępowanie zaburzeń psychicznych oraz problemy społeczne są związane z gorszą odpowiedzią na leczenie. Dopiero w ostatnich latach badania zaczęły analizować skuteczność strategii interwencyjnych, które specjalnie odnoszą się do tych problemów. ¹

Ze względu na złożoność zaburzeń związanych z używaniem substancji i ich różnorodny przebieg kliniczny, indywidualizacja podejścia terapeutycznego pozostaje kluczowym czynnikiem poprawiającym rokowanie. Pierwszym krokiem w identyfikacji kluczowych charakterystyk dopasowania pacjentów do najbardziej skutecznych metod leczenia jest przewidywanie, kto odniesie sukces w danym leczeniu. ⁸

Kolejne rozdziały

Zapraszamy do dalszego czytania naszego leksykonu.

Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.

Materiały źródłowe

#1 Outcome predictors in substance use disorders
https://pubmed.ncbi.nlm.nih.gov/12778840/
Given the heterogeneous nature of substance abuse, it is notable that several predictors of response are independent of the primary drug of abuse or the treatment setting. Although the strength of the relationship of predictor to outcome varies, the following factors have been identified consistently: severity of dependence or withdrawal; psychiatric comorbidity; substance-related problems; motivation (abstinence commitment); length of treatment; negative affective states; cognitive factors; personality traits and disorders; coping skills; multiple substance abuse; contingency contracting or coercion; genetic factors; sleep architecture; urges and craving; self-efficacy; and economic and social factors. […] Although it is well known that severity of dependence (including polysubstance abuse), serious psychiatric comorbidity, and social problems are associated with poor treatment response, only recently has research examined the efficacy of intervention strategies that specifically address these problems. Adequate treatment of psychiatric comorbidity and improvement in social, economic, and family functioning lead to better treatment outcomes.
#2 Outcome predictors in substance use disorders
https://pubmed.ncbi.nlm.nih.gov/12778840/
Despite significant accomplishments, the field is left with many unanswered questions. Although several biologic markers, such as neuroendocrine response and sleep architecture, show promise as outcome predictors, it is not known whether these are critical factors in the initiation of substance use or its progression to dependence. […] There is already evidence that early onset alcoholism is associated with poor response under some circumstances, yet may be a predictor of response to targeted pharmacotherapy with ondansetron. […] As the ability to subtype disorders based on meaningful biologic differences grows, it is anticipated that several relevant outcome predictors that are specific for pharmacotherapy will emerge.
#3 Toward addiction prediction: An overview of cross-validated predictive modeling findings and considerations for future neuroimaging research – PMC Lock
https://pmc.ncbi.nlm.nih.gov/articles/PMC8274215/
Substance-use is a leading cause of disability and death worldwide. Despite the existence of evidence-based treatments, clinical outcomes are highly variable across individuals and relapse rates following treatment remain high. […] Thus, methods to identify individuals at particular risk for unsuccessful treatment (i.e., limited within-treatment abstinence), or for relapse following treatment, are needed to improve outcomes. […] Cumulatively, the literature generally supports the hypothesis that individual differences in brain function and structure are linked to differences in treatment outcomes, although anatomical loci and directions of associations have differed across studies. […] However, this work has almost entirely used methods that may overfit the data leading to inflated effect size estimates and reduced likelihood of reproducibility in novel clinical sample.
#4 Toward addiction prediction: An overview of cross-validated predictive modeling findings and considerations for future neuroimaging research – PMC Lock
https://pmc.ncbi.nlm.nih.gov/articles/PMC8274215/
In contrast, cross-validated predictive modeling (i.e., machine learning) approaches are designed to overcome limitations of traditional approaches by focusing on individual differences and generalization to novel subjects (i.e., cross-validation), thereby increasing the likelihood of replication and potential translation to novel clinical settings. […] Here, we review recent studies using these approaches to generate brain-behavior models of treatment outcomes in addictions and provide recommendations for further work using these methods. […] Thus, improved strategies to combat the current substance-use epidemic are urgently needed. […] While evidence-based treatments exist, outcomes are variable across individuals and the majority of individuals experience multiple, unsuccessful treatment attempts.
#5 Toward addiction prediction: An overview of cross-validated predictive modeling findings and considerations for future neuroimaging research – PMC Lock
https://pmc.ncbi.nlm.nih.gov/articles/PMC8274215/
Relapse rates following treatment also remain high and, for some substances, this is a critical vulnerability period for overdose-associated death. […] Thus, methods to identify individuals at particular risk for unsuccessful treatment are needed to improve outcomes. […] Here, we discuss how alternative, machine learning based approaches may generate more robust predictions, review prior findings using these approaches in addictions, and discuss addiction-specific considerations for adoption of these methods. […] In the context of addiction treatment, the goal of predictive modeling is typically to estimate (i.e., predict) an individualâs clinical outcome (e.g., abstinence during treatment) using data acquired at the start of treatment. […] While total independence of training and testing data (e.g., data from two separate clinical trials) is optimal, the practical limitations of clinical research often preclude the acquisition of multiple independent datasets.
#6 Toward addiction prediction: An overview of cross-validated predictive modeling findings and considerations for future neuroimaging research – PMC Lock
https://pmc.ncbi.nlm.nih.gov/articles/PMC8274215/
In the absence of multiple datasets, K-fold cross-validation is used to separate a single dataset into training and testing data. […] Model performance involves measuring the differences between observed (actual) and predicted (model generated) values and may be measured in several ways. […] In most cases, brain-based variables had comparable or higher predictive accuracies relative to traditional clinical variables, indicating that inter-individual heterogeneity in brain-based features meaningfully contributes to outcomes in addiction. […] However, all studies to date have had relatively modest sample sizes and only two studies have included external validation. […] Thus, significant additional work is needed prior to clinical adoption of these methods. […] Using this approach, Yip and colleagues identified a distributed neural network that predicted cocaine abstinence, such that abstinence was predicted by (i) increased connectivity between frontoparietal and medial frontal networks, (ii) increased connectivity between salience, motor/sensory and subcortical networks, and (iii) decreased connectivity between these two systems.
#7 Toward addiction prediction: An overview of cross-validated predictive modeling findings and considerations for future neuroimaging research – PMC Lock
https://pmc.ncbi.nlm.nih.gov/articles/PMC8274215/
These findings are consistent with those from ROI-based studies implicating cognitive control related neural circuitry in treatment completion, and with ligand-based data indicating dopamine involvement in predicting treatment response, but also indicate involvement of more distributed connections than previously hypothesized.
#8 Use of a machine learning framework to predict substance use disorder treatment success | PLOS One
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0175383
There are several methods for building prediction models. […] The overarching aim of this work is to introduce SL to analysts and practitioners. […] SL was superior to all but one of the algorithms compared. […] The first step in identifying key characteristics for matching patients to the most effective treatments is to predict who will succeed at a given treatment. […] The use of SL as a prediction tool of success in SUD treatment may contribute to the literature by bettering the ability to identify treatment outcome disparities that, when addressed, may lead to improve patientsâ treatment outcomes. […] AUC for the models ranged between 0.793 and 0.820. […] As hypothesized, SL shows the largest AUC. […] SL performance is very closely followed by RF including all predictors.
#9 Use of a machine learning framework to predict substance use disorder treatment success | PLOS One
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0175383
This work compared 17 models for predicting successful completion of SUD treatment. […] As expected, SL showed the best predictive performance. […] In this case, a small prediction improvement could significantly impact patientsâ outcomes and/or treatment costs. […] The results presented here are relevant to illustrate the use of SL in the SUD treatment outcome prediction field. […] When the goal of the research is to interpret the effect of different predictors in the outcome, SL can be used in the context of the targeted learning framework.
#10 Psychiatric Comorbidities of Substance Use Disorders: Does Dual Diagnosis Predict Inpatient Detoxification Treatment Outcomes? | International Journal of Mental Health and Addiction
https://link.springer.com/article/10.1007/s11469-022-00821-1
Comorbidity of substance use and psychiatric disorders, particularly depressive disorders, are well established. The impact of comorbidity on treatment outcomes, particularly following short-term inpatient detoxification and medical management units, has yet to be fully explored. Our results showed that psychiatric comorbidity did not significantly predict treatment outcomes, although depression was reported in more than half our cohort, along with elevated rates of Post-traumatic Stress Disorder, anxiety disorders and bipolar affective disorders. Medication non-compliance and primary substance of misuse significantly predicted length of stay and discharge against medical advice. […] Patients with SUD and comorbid psychiatric conditions have high levels of treatment drop-out with many discontinuing therapy within the first few weeks of inpatient treatment. Completion rates can vary from 41 to 73% with many patients undergoing repeated early discharges and re-admissions. Treatment of patients with psychiatric and SUD comorbidities requires a more complex service with psychiatric, substance dependence and medical treatments.
#11 Psychiatric Comorbidities of Substance Use Disorders: Does Dual Diagnosis Predict Inpatient Detoxification Treatment Outcomes? | International Journal of Mental Health and Addiction
https://link.springer.com/article/10.1007/s11469-022-00821-1
The current study aims to determine the prevalence of psychiatric disorders within a cohort of voluntary detoxification inpatients in Nepean Hospital, Sydney. We aim to determine if psychiatric comorbidities are associated with early discharges against advice, length of stay and number of repeat admissions. We hypothesise that patients with psychiatric comorbidities will have higher rates of discharges against medical advice and greater rates of repeat admissions. […] The prevalence of psychiatric disorders within our cohort was substantially higher compared to the general Australian population, particularly depressive disorders, with more than half of our cohort reporting a depressive disorder, particularly women and those being treated for alcohol misuse. […] Although not predictive of treatment outcomes in this study, the high prevalence of psychiatric ill-health should not go ignored, with more than one third of those with a reported psychiatric disorder reporting suicidality.
#12 Treatment of Substance Use Disorders | Overdose Prevention | CDC
https://www.cdc.gov/overdose-prevention/treatment/index.html
Millions of Americans have a substance use disorder (SUD), and it remains an important health issue in our country. […] With effective treatment, recovery is possible for everyone. There is strength in getting help. […] Overcoming an SUD is not as simple as resisting the temptation to take drugs. Recovery may involve medication to help with cravings and withdrawal as well as different forms of therapy. It may even require checking into a rehabilitation facility. […] Like many other chronic conditions, treatment is available for substance use disorders. While no single treatment method is right for everyone, recovery is possible, and help is available for patients with SUDs. […] There are safe and effective ways to recover from SUDs. Finding the right treatment option can be the key to a successful recovery journey. […] Specific conditions like opioid use disorder may require medication as the first course of treatment. MOUD can help with cravings and withdrawal symptoms. […] Research has demonstrated that MOUD is effective in helping people recover from their OUD.