Therapiealgorithmen in der Depressionsbehandlung â Das Berliner

381
© 2005
Schattauer GmbH
Therapiealgorithmen in der Depressionsbehandlung – Das Berliner Algorithmusprojekt
K. Wiethoff1, M. Bauer1, T. Baghai2, A. Heinz1, M. Adli1
Klinik für Psychiatrie und Psychotherapie, Charité Campus Mitte Charité – Universitätsmedizin Berlin
2
Klinik für Psychiatrie und Psychotherapie, Ludwig Maximilians Universität München
1
Schlüsselwörter
Keywords
Therapiealgorithmus, Depression, Therapieresistenz, Berliner Algorithmusprojekt
treatment algorithms, depression, treatment resistance,
German Algorithm Project
Zusammenfassung
Summary
Therapieresistenz stellt in der Depressionsbehandlung nach
wie vor ein großes Problem dar. Als ein Mittel zur Optimierung der Behandlung depressiver Erkrankungen gelten
Therapiealgorithmen, bei denen es sich um explizite und
systematisierte Behandlungsprotokolle handelt. Sie enthalten standardisierte Handlungsanweisungen für therapeutische Entscheidungen, die Diagnosestellung, Definition des Therapieziels, Definition der Kontrollinstrumente
und Kontrolle des Therapieerfolges in einem zeitlich festgelegten Rahmen. Ziel des mehrphasigen Berliner Algorithmusprojekt ist die Evaluierung algorithmusgestützter Depressionsbehandlung im Vergleich zur üblichen Therapie
nach freier Arztentscheidung. Darüber hinaus werden verschiedene Folgestrategien bei Patienten, die nicht adäquat
auf eine initiale antidepressive Monotherapie angesprochen haben, miteinander verglichen. Die vorläufigen Ergebnisse dieser und weiterer Algorithmusstudien zeigen
den Nutzen systematischer Therapiealgorithmen in der Depressionsbehandlung in Bezug auf das Therapieergebnis,
die Qualität der Behandlung, gesundheitsökonomische Parameter und die Zufriedenheit der Patienten.
Treatment resistance remains a major clinical problem in
the therapy of major depression. Algorithms are explicit and
systematic treatment protocols. They are considered as key
instruments in optimizing the therapy of depressive disorders. Treatment algorithms base on standardized procedures for medical decision making, diagnostic consideration, definition of the aim of treatments, definition of
evaluation instruments and evaluation of treatment response, all of which within a predefined timeframe. The
multiphasic German Algorithm Project („Berliner Algorithmusprojekt”) aims at comparing algorithm guided treatment with treatment as usual. Furthermore it compares different “second-step-strategies” in case of non-response to
an initial antidepressant monotherapy. The preliminary results of this ongoing project and other algorithm studies
show the benefit of treatment algorithms for treatment outcome, therapy quality, cost-effectiveness and patients’ satisfaction.
Algorithms in the treatment of depression – The
German Algorithm Project („Berliner Algorithmusprojekt”)
Nervenheilkunde 2005; 24: 381 – 7
D
ie Behandlungsmöglichkeiten depressiver Erkrankungen wurden
aufgrund der Entwicklung neuer
Antidepressiva und der Etablierung von
Medikamentenkombinationen in den letzten Jahren deutlich verbessert. Trotz der erheblichen Zunahme an Behandlungsoptionen und neuen, besser verträglichen Substanzen bleiben therapieresistente depressive Störungen jedoch bis heute ein großes
Problem (7, 26, 29, 30, 36). Allein der quantitative Zuwachs an Therapiemöglichkeiten
ist somit kein Garant für eine Verbesserung
der Behandlungsergebnisse. Während etwa
30% der antidepressiv behandelten depressiven Patienten remittieren, zeigen ca. 30
bis 50% der Patienten unabhängig vom ausgewählten Antidepressivum eine ungenügende Response auf die Behandlung (5, 38).
Etwa 10 bis 15% der Patienten sprechen
auch auf mehrere Therapieversuche nicht
an. Verschiedene Studien zeigen, dass eine
unvollständige Response bzw. persistierende subsyndromale Störungen mit einem
chronischen Verlauf und einer erhöhten Rezidivrate assoziiert sind (20, 31, 38), und
dass darüber hinaus die Responsewahrscheinlichkeit mit der Zahl erfolgter Thera-
pieversuche sinkt (5, 34). Vor dem Hintergrund, dass die Major Depression eine mittlere Lebenszeitprävalenz von etwa 16% hat
(43) und die mittleren depressions-spezifischen Behandlungskosten pro Patient in
Deutschland bei 2.541 Euro pro Jahr liegen
(37), spielt die Vermeidung oder Überwindung therapieresistenter Verläufe eine entscheidende Rolle bei der Therapie der Depression. Die herausragende weltweite medizinische und gesundheitspolitische Bedeutung dieser Krankheitsgruppe wurde
auch in der Global Burden of Disease Studie
der Weltgesundheitsorganisation (WHO)
und der Weltbank deutlich (28).
Eine inadäquate Behandlungsdurchführung mit teilweise wahllos aneinander gereihten, unkontrolliert oder inadäquat vorgenommenen Therapien, z.B. unzureichende Behandlungsdauer und Dosierung oder
fehlende Nutzung von Therapiestrategien,
die bei Therapieresistenz empfohlen werden, gelten als Hauptursache für ausbleibende Behandlungserfolge und lange Krankenhausverweildauer trotz medikamentöser
Behandlung (3, 10, 14, 19). Die Vielzahl der
heute verfügbaren Behandlungsoptionen,
die einerseits einen großen medizinischen
Fortschritt darstellt, erschwert andererseits
im klinischen Alltag häufig die Auswahl der
richtigen medikamentösen Behandlungsstrategie für den Einzelfall (26). Vor diesem
Hintergrund werden Therapiealgorithmen,
die strukturierte und systematische Behandlungsempfehlungen für den Fall anbieten,
dass eine adäquat durchgeführte antidepressive Monotherapie nicht den zuvor
definierten Behandlungserfolg erzielt, als
eine Maßnahme zur Vermeidung und Überwindung von Therapieresistenz angesehen
(16).
Downloaded from www.nervenheilkunde-online.de on 2017-10-31 | IP: 88.99.70.242
For personal or educational use only. No other uses without permission. All rights reserved.
Nervenheilkunde 5/2005
382
Wiethoff et al.
Therapiealgorithmen –
Definition
Bei Therapiealgorithmen handelt es sich um
explizite Behandlungsprotokolle, die in sequenzieller Abfolge Behandlungsempfehlungen vorgeben. Wesentliche Elemente
von Therapiealgorithmen sind ein zuvor
festgelegtes Therapieziel (in der Regel: Remission bzw. Response) und die standardisierte Evaluation desTherapieerfolgs (meist
in Form von psychopathometrischen Skalen) zu kritischen Entscheidungszeitpunkten. An diesen Entscheidungszeitpunkten
wird das Ansprechen auf die Behandlungsstrategie erfasst und es werden spezifische
Behandlungsempfehlungen abgeleitet, die
den zuvor festgelegten Regeln des Algorithmus entsprechen. Therapiealgorithmen
zeichnen sich somit durch eine hohe Spezifität und Standardisierung aus und liefern
einen strukturierten Rahmen für das weitere
Vorgehen, wenn die bisherige Therapie
nicht ausreichend wirksam ist (15). Ziel einer adäquaten Depressionsbehandlung ist
die vollständige Symptomremission und
Wiederherstellung der psychosozialen
Funktionsfähigkeit bei minimaler Belastung durch unerwünschte Nebenwirkungen
(9, 34).
Nutzen und Risiken algorithmusgestützter Depressionsbehandlung
Mit der Entwicklung von systematischen
Behandlungsansätzen wird eine Minimierung der Varianz in den Behandlungsstrategien und ein optimierter Einsatz der zur Verfügung stehenden Therapiestrategien angestrebt, mit dem Ziel die Prozessqualität der
Behandlung zu steigern. Bessere Behandlungsergebnisse, die Vermeidung therapieresistenter Verläufe und die Senkung der direkten und indirekten Krankheitskosten
sind die Konsequenzen (32). Therapiealgorithmen geben den medizinischen Entscheidungen während eines Behandlungsfalles
einen einheitlichen und standardisierten
Rahmen, sodass es verschiedenen Ärzten,
Nervenheilkunde 5/2005
die denselben Patienten behandeln, ermöglicht wird eine aufeinander abgestimmte
Therapie durchzuführen. Die standardisierte Dokumentation des Behandlungsverlaufs
kann zu einer Verbesserung der Kommunikation zwischen unterschiedlichen Behandlungsebenen beitragen und kann den Patienten durch diverse ambulante und stationäre
Behandlungseinrichtungen begleiten. Die
Behandlung wird nahtlos, ohne unnötige
Strategiewechsel oder zu lange Beobachtungszeiträume fortgesetzt. Therapiealgorithmen bieten auch die Möglichkeit, individuelle Behandlungsverläufe an einem festgelegten Standard zu messen, um z.B. das
Ausmaß an Therapieresistenz eines einzelnen Patienten zu bestimmen.
Neben den Vorteilen, die von der algorithmusgestützten Behandlung erwartet
werden, bergen Therapiealgorithmen und
-leitlinien auch Risiken (25). Mangelnde
empirische Evidenz, Expertenbias in der
Formulierung der Algorithmen, Schwierigkeiten bei der Umsetzung im klinischen Alltag sowie die falsche Anwendung der Algorithmen sind als die häufigsten Probleme zu
nennen (35). In Einzelfällen mag es auch
notwendig sein, die Vorgaben des Algorithmus mit den individuellen Bedürfnissen des
Patienten abzustimmen. Allerdings entsteht
selbst in den Fällen, in denen von Algorithmusvorgaben abgewichen wird, durch die
Notwendigkeit der stichhaltigen Begründung und der Entwicklung von Alternativstrategien ein expliziter medizinischer Entscheidungsprozess, der zur Qualitätssicherung in der Behandlung beitragen kann
(24). Eine kontinuierliche Anpassung der
Algorithmusvorgaben an den aktuellen
Stand wissenschaftlicher Evidenz muss
selbstverständlich vorgenommen werden.
Empirische Studien
zur algorithmusgestützten
Depressionsbehandlung
Die heutigen Leitlinien und Therapiealgorithmen beruhen hauptsächlich auf konsensbasierten Behandlungsprotokollen. Deren Einzelschritte sind zwar evidenzbasiert
(6, 7), die optimaleAbfolge von bestimmten
Therapieschritten beruht jedoch überwiegend auf Expertenkonsens und weniger auf
Ergebnissen kontrollierter, klinischer Studien. Welche Strategie oder welches Medikament bei Non-response auf eine initiale adäquat durchgeführte antidepressive Monotherapie zu wählen ist, kann derzeit nicht
anhand empirischer Daten beantwortet werden (1, 12, 34). Ziel des Berliner Algorithmusprojekt ist daher die Evaluierung algorithmusgestützter Depressionsbehandlung
im Vergleich zur üblichen Therapie nach
freier Arztentscheidung. Darüber hinaus
werden verschiedene Folgestrategien bei
Patienten, die nicht adäquat auf eine initiale
antidepressive Monotherapie angesprochen
haben, miteinander verglichen. Die Ergebnisse dieser und weiterer, im folgenden dargestellten Studien zur algorithmus- und leitliniengestützten Therapie depressiver Erkrankungen haben zum Ziel, die Frage nach
Durchführbarkeit, Akzeptanz, Wirksamkeit
und gesundheitsökonomischer Relevanz
algorithmusgestützter Depressionsbehandlung zu beantworten.
Das Berliner Algorithmusprojekt ist ein
dreiphasiges Projekt zur Evaluierung von
Therapiealgorithmen in der Behandlung
stationärer Patienten mit depressiven Erkrankungen (2, 3).Von 1990 bis 1992 wurde
der Stufenplan für die Therapie von Patienten mit depressiven Syndromen im Rahmen
einer offenen Anwendungsbeobachtung
hinsichtlich seiner Praktikabilität, Akzeptanz und therapeutischen Wirkungen geprüft (Phase 1) (1, 24). Dieser Stufenplan
beinhaltet eine festgelegteAbfolge vonTherapieschritten, regelmäßige Therapiekontrollen in Form standardisierter Befundbeurteilung mithilfe etablierter Fremdbeurteilungsskalen depressiver Symptomatik (Bech-Rafaelsen-Melancholie-Skala,
BRMS) (8), wovon die Entscheidung über
Beibehaltung oder Änderung der Therapiestrategie zu vorgegebenen Zeitpunkten sowie die konsequente Durchführung einzelner Therapieschritte abhängig gemacht
wurden. Der Stufenplan in Phase 1 umfasste die Abfolge von bis zu vier aufeinander
folgenden Behandlungsschritten. Von 248
Patienten, die im Studienzeitraum die Einschlusskriterien erfüllten, wurden 119
(48%) eingeschlossen. Von den Patienten,
die an der Behandlung nach Stufenplan teil-
Downloaded from www.nervenheilkunde-online.de on 2017-10-31 | IP: 88.99.70.242
For personal or educational use only. No other uses without permission. All rights reserved.
384
Wiethoff et al.
nahmen, wiesen 38% Remission auf
(BRMS-Wert ≤ 5), 34% erreichten das klassische Responsekriterium (BRMS-Reduktion ≥ 50%), 15% zeigten eine Teilresponse
(BRMS-Reduktion 26% bis 49%) und weitere 13% respondierten nicht (1). Die Ergebnisse dieser Studie zeigen, dass die Akzeptanz von Therapiealgorithmen bei nicht
geschulten, „algorithmusnaiven“ Klinikärzten eher moderat ausfällt. Entsprechende
Vorbereitungen und Instruktion der behandelnden Ärzte sind demnach zu empfehlen.
Nach Einschluss in die Studie zeigten sich
jedoch eine relativ hohe Therapieerfolgsrate
und eine gleichzeitig relativ geringe DropOut-Rate, so dass die Anwendbarkeit des
Vorgehens insgesamt als gut bewertet werden kann.
Phase 2 („Berliner Stufenplanstudie“)
unterzog den Berliner Stufenplanalgorithmus einer randomisierten und kontrollierten
Studie im Vergleich mit der üblichen Therapie nach freiem klinischen Ermessen (3, 6).
In dieser Phase des Projektes umfasste der
Stufenplan bis zu zehn Therapiestufen, wobei das Ansprechen auf die jeweilige Behandlung in 14-tägigen Abständen anhand
der BRMS erfasst wurde. Von 160 möglichen Patienten wurden 148 in die Studie
einbezogen. Es zeigten sich signifikante
Unterschiede zwischen beiden Behandlungsgruppen, wobei die nach Stufenplan
behandelten Patienten u.a. weniger Therapiewechsel und weniger Polypharmazie erhielten (2). Die Wahrscheinlichkeit, innerhalb eines definierten Zeitraums Remission
zu erreichen, erwies sich unter der Stufenplanbehandlung als doppelt so groß im Vergleich zur Behandlung nach freiem ärztlichen Vorgehen (Hazard-Ratio: 2,0; p =
0,004). Die im Vergleich zu den nach üblichem Vorgehen behandelten Patienten höhere Drop-Out-Rate war größtenteils auf
Algorithmusverstöße durch die behandelnden Ärzte („ärztliche Non-Compliance“)
zurückzuführen. Der Medianwert für das
Erreichen von Remission betrug 7,0 Wochen (± 0,9) für die Gruppe der nach Stufenplan behandelten Patienten sowie 12,3 Wochen (± 1,8) für Patienten der Kontrollgruppe (Survival Analyse, log rank: 8,64; p =
0,003).
Im Rahmen des vom Bundesministerium
für Bildung und Forschung geförderten
Nervenheilkunde 5/2005
Kompetenznetz Depression (Phase 3: „Algorithmusstudie“) werden zwei verschiedene Therapiealgorithmen (I: Berliner Stufenplan, II: Computerisiertes Dokumentationsund Expertensystem, CDES) mit der Standardbehandlung nach freier Arztentscheidung verglichen (Abb. 1).
Innerhalb des Stufenplanalgorithmus
werden drei verschiedene Vorgehensweisen
bezüglich ihrer Wirksamkeit bei Non-response auf eine vierwöchige antidepressive
Monotherapie gegenübergestellt: 1. Lithiumaugmentation, 2. hochdosierte Antidepressiva-Monotherapie, 3. Medikamentenwechsel. Das Ansprechen auf die jeweilige
Therapiestufe wird 14-tägig zu kritischen
Entscheidungszeitpunkten mittels der Hamilton-Depressionskala (17) untersucht.
Beim CDES handelt es sich um eine Datenbank, in die Informationen zu Anamnese,
Risikofaktoren und Vorbehandlung sowie
Verlaufsinformationen in 14-tägigen Abständen für jeden Patienten eingehen. Ein
über einen Algorithmus hieran verknüpftes
Expertensystem setzt die Individualdaten
mit einer Wahrscheinlichkeitsmatrix aus einem aus 650 Behandlungsfällen gewonne-
nen und entsprechend aufbereiteten Datenpool ins Verhältnis (11). Die Wahrscheinlichkeit des therapeutischen Ansprechens
auf eine bestimmte Strategie wird hierbei
prospektiv berechnet und gegebenenfalls eine Veränderung der Pharmakotherapie vorgeschlagen. Das CDES bietet eine mehr auf
den einzelnen Patienten abgestimmte algorithmusgestützte Behandlungsweise auf
Kosten einer weniger standardisierten und
expliziten Praxis. Hierdurch können verschiedene Grade von Standardisierung (z.B.
hoch spezifizierte gegenüber individueller
Behandlung) der Therapiealgorithmen miteinander verglichen werden. Die Phase 3
des Projekts begann 1999 und befindet sich
noch bis Juni 2005 in der Rekrutierungsphase an sechs akademischen psychiatrischen
Kliniken und an vier außeruniversitären
psychiatrischen Einrichtungen. Das Ziel ist
es, insgesamt 450 Patienten in die Studie
aufzunehmen.
Bis Ende Januar 2005 waren 403 Patienten rekrutiert. 50 Patienten befanden sich zu
diesem Zeitpunkt noch aktiv im Protokoll,
139 Patienten (34,5%) beendeten das Protokoll vorzeitig (Dropouts), ohne dass sich
Abb. 1 Phase 3 des Berliner Algorithmusprojekt („Algorithmusstudie“) im Kompetenznetz Depression
Downloaded from www.nervenheilkunde-online.de on 2017-10-31 | IP: 88.99.70.242
For personal or educational use only. No other uses without permission. All rights reserved.
385
Therapiealgorithmen in der Depressionsbehandlung
diese bezüglich klinischer Variablen unterschieden, und 214 (53,1%) schlossen die
Studie als Completer ab. Von diesen waren
192 (89,7%) remittiert (Gesamtscore in der
Hamilton Depression Scale, HAMD-21 ≤ 9)
(137 mit Bestätigungsrating nach 1 Woche,
56 ohne Bestätigungsrating). Die Remissionsrate betrug insgesamt 55,6% (Intention-to-treat-Ansatz), die der nach Algorithmus behandelten Patienten lag bei 56,3%,
von den Patienten, die nach dem üblichen
Vorgehen behandelt wurden, remittierten
51,1% (n.s.). Im Vergleich zur Kontrollgruppe, die ohne weitere Vorgaben nach
freier Arztentscheidung behandelt wurde,
remittierten algorithmusgestützt behandelte
Patienten (Gruppe I + Gruppe II) signifikant
schneller (M = 33,14 Tage (± 19,2) vs. M =
39,73 Tage (± 23,8); t = –2,056; p = 0,041)
(Completer-Analyse).
Beim Texas Medication Algorithm Project (TMAP) handelt es sich um eine prospektive kontrollierte multizentrische USStudie zur Untersuchung der Wirksamkeit
algorithmusgestützter Behandlungen bei
unipolarer Depression, bipolaren affektiven
Störungen und Schizophrenie, welche 1995
von dem Texas Department of Mental Health and Mental Retardation (TDMHMR)
entwickelt wurde (34). Ergänzt wird dieser
Therapiealgorithmus durch ein Patientenund Angehörigen-Edukationsprogramm,
mit dem Ziel, deren Beteiligung an der Behandlungsplanung und -umsetzung auf der
Grundlage umfassender Information zu ermöglichen (39). Datenerhebungen fanden
zum Zeitpunkt des Studieneinschlusses
(Baseline) sowie alle drei Monate für ein
Jahr statt. Eine Stichprobe von 350 Patienten wurde in die Auswertung einbezogen –
jeweils 175 nachAlgorithmus (ALGO) bzw.
nach üblichem Vorgehen (TAU) behandelt.
Die algorithmusgestützte Intervention führte zu statistisch und klinisch signifikant besseren Behandlungsergebnissen, was sich in
einem signifikant stärkerem Symptomrückgang (IDS-C-30, IDS-SR-30) und einer signifikant stärkerenVerbesserung der gesundheitsbezogenen Lebensqualität (SF-12
MHS) widerspiegelt (40). Die Unterschiede
waren bereits nach drei Monaten statistisch
signifikant und blieben über den Untersuchungszeitraum von neun Monaten konstant. Bei der Follow-up-Untersuchung
nach zwölf Monaten zeigte die LOCF (last
observation carried forward)-Analyse eine
Response bei 19,4% der Kontrollgruppe
und bei 26,4% der Interventionsgruppe. Die
Remissionsrate in beiden Gruppen war indes vergleichsweise gering, was vermutlich
an Ausmaß und Schwere somatischer Komorbiditäten, den ungünstigen sozialen Variablen und der hohen Rate an Missbrauchsund Abhängigkeitserkrankungen in der untersuchten Stichprobe lag (32). Explorative
Analysen deuten ferner darauf hin, dass das
algorithmusgestützte Vorgehen bei den
schwer (IDS-C-30-Wert = 33–49) und den
sehr schwer Kranken (IDS-C-30 >= 50)
überlegen ist.
Ein weiteres, NIMH-gefördertes Großprojekt, „Sequenced Treatment Alternatives
to Relieve Depression“ (STAR*D), vergleicht unterschiedliche Folgestrategien bei
Non-respondern auf eine initiale Antidepressiva-Monotherapie bei ambulant behandelten Patienten mit Major Depression
und befindet sich derzeit noch in der Rekrutierungsphase (12, 33, 42). Patienten ohne
ein adäquates Ansprechen auf eine initiale
Behandlung mit einem selektiven Serotonin-Wiederaufnahmehemmer (SSRI) werden randomisiert einer von vier Folgestrategien zugewiesen: Wechsel des Medikamentes innerhalb oder zwischen den Wirkstoffgruppen sowie drei verschiedene Augmentationsmöglichkeiten. Outcome-Variablen
sind hierbei Symptome, Funktion, Beeinträchtigung durch Nebenwirkungen, Lebensqualität, Behandlungskosten und Zufriedenheit der Patienten. Bei dem Projekt
STAR*D handelt es sich um eine multizentrische, prospektive, sequenziell randomisierte, kontrollierte Studie; geplant ist der
Einschluss von 4.000 Patienten.
Weitere randomisierte kontrollierte Studien an großen Stichproben konnten den
Vorteil eines systematischen und standardisierten Managements von Patienten mit depressiven Erkrankungen im Vergleich zur
konventionellen Versorgung im primärärztlichen bzw. hausärztlichen Bereich zeigen
(21, 22, 23). Katon und Kollegen (23) verglichen im Rahmen ihrer Studie, die im wesentlichen ein multidimensionales Patientenmanagement umfasste, erstmals eine
leitliniengestützte Depressionsbehandlung
mit der üblichen Behandlung. Diese Studie
Downloaded from www.nervenheilkunde-online.de on 2017-10-31 | IP: 88.99.70.242
For personal or educational use only. No other uses without permission. All rights reserved.
Nervenheilkunde 5/2005
386
Wiethoff et al.
zeigte einen Behandlungsvorteil für die
Gruppe, die leitliniengestützt und nach dem
intensivierten Versorgungsprinzip behandelt wurde, wobei insbesondere Patienten
mit einer majoren Depression von der Intervention profitierten (Responseraten: 74%
Interventionsgruppe versus 44% Kontrollgruppe). Die Intervention führte darüber hinaus bei den schwer depressiven Patienten
zu einer größeren Zufriedenheit mit der Behandlung und sowohl bei Patienten mit einer
minoren als auch bei Patienten mit einer majoren Depression zu einer höheren Medikamenten-Compliance im Vergleich zu der
Kontrollgruppe, die die übliche Behandlung
erhielt. Auch die langfristige Überlegenheit
bezüglich Wirksamkeit und Compliance einer derart intensivierten Behandlung nach
drei und sechs Monaten (22) sowie 28 Monaten (21) konnte gezeigt werden.
Diese positiven Ergebnisse wurden von
einer Multicenter-Studie (Improving MoodPromoting Access to Collaborative Treatment, IMPACT) (41) bestätigt. Die Studie
zeigte eine höhere Wirksamkeit eines intensivierten Behandlungsmanagements (Psychoedukation und algorithmusgestützte
Pharmakotherapie) (n = 906) im Vergleich
zur konventionellen Behandlung (n = 895)
in einer gerontopsychiatrischen primärärztlich behandelten Stichprobe. Hier ergeben
sich demnach Hinweise auf eine Überlegenheit eines standardisierten Patientenmanagements gegenüber der üblichen Patientenführung im ambulanten primärärztlichen
Setting.
Im Rahmen weiterer Projekte wurden
Therapiealgorithmen für spezielle Patientenpopulationen entwickelt (13, 27). Flint
und Rifat (13) berichten über eine gerontopsychiatrische Patientengruppe mit Major
Depression, deren Behandlung einer systematischen sequenziellen Vorgehensweise
folgte. 67% ihrer Stichprobe sprachen auf
eine Nortriptylin-Monotherapie, gefolgt
von einer Lithiumaugmentation bei Nonrespondern auf Nortriptylin, an (HAMD-17
< 10). Die Gesamtansprechrate lag bei 84%
im Intention-to-treat-Ansatz. Ebenfalls speziell für geriatrische, ambulant behandelte
Patienten wurde der so genannte PROSPECT (Prevention of Suicide in Primary
Care Elderly – Collaborative Trial)-Algorithmus entwickelt, der ein intensives PaNervenheilkunde 5/2005
tientenmanagement umfasst (27). PROSPECT sieht vor, dass ein Spezialist eng mit
dem Hausarzt bei der Behandlung des depressiven Patienten zusammenarbeitet. Die
Aufgaben des Spezialisten umfassen die
Psychoedukation der Patienten und der Angehörigen, die Erfassung und den Umgang
mit komorbiden körperlichen und psychiatrischen Erkrankungen, die mit der antidepressiven Therapie interferieren könnten,
die Überwachung der Compliance, die Beachtung und Behandlung von Nebenwirkungen sowie die reguläre Überwachung
des Behandlungserfolgs anhand der Hamilton-Depressionsskala. Die Entwicklung des
Algorithmus basiert auf bestehenden Leitlinien (4, 15), die aktualisiert und auf die
speziellen Belange geriatrischer Patienten
angepasst wurden. Eine interpersonelle
Psychotherapie ist vorgesehen, wenn die
Pharmakotherapie erfolglos ist bzw. nicht
toleriert wird. Empirische Ergebnisse zur
Anwendbarkeit oder zum Nutzen liegen jedoch bislang nicht vor. Die Evaluierung einer algorithmusgestützten Behandlung an
117 ambulanten Patienten mit depressiven
Erkrankungen wird von Hawley et al. (18)
referiert. Behandlungsentscheidungen richteten sich nach der Beurteilung der Symptome auf der Montgomery-Asberg-Depression-Scale (MADRS), die in 6-wöchigen Abständen erfolgte. 35 (30%) Patienten sprachen auf die Behandlung an (MADRS < 11
oder MADRS-Reduktion > 67%), 12 (10%)
zeigten keine ausreichende Response und
70 (60%) brachen die Studie meist wegen
Protokollverstößen auf Patientenseite ab.
Die für die Bewertung desTherapiealgorithmus herangezogenen Kriterien der Relevanz und Einfachheit wurden als gegeben
betrachtet. Da Behandlungsabbrüche zumeist auf Verstöße auf Patientenseite zurückzuführen waren, wurde von den Autoren auch das dritte Kriterium der Akzeptanz
(auf Behandlerseite) als erfüllt angesehen.
Schlussfolgerung
Angesichts der wachsenden Belastung
durch depressive Erkrankungen (28), der
steigenden Zahl von Therapieoptionen und
der zunehmenden Notwendigkeit die Ge-
sundheitskosten zu senken, gewinnt die Algorithmusforschung auch in der Psychiatrie
zunehmend an Bedeutung. Insbesondere die
häufig mehrere Monate dauernde Behandlung einer depressiven Episode lässt systematische und transparente Behandlungspläne notwendig erscheinen. Mit Einführung
des DRG-Systems in der Psychiatrie wird
damit zu rechnen sein, dass die stationäre
Akutbehandlung psychiatrischer Erkrankungen drastisch verkürzt wird und der
Hauptteil der Akuttherapie auch schwerer
depressiver Erkrankungen aus der Klinik in
den ambulanten und komplentären Bereich
ausgelagert wird. In Anbetracht der in diesem Bereich im Vergleich zumAkutbehandlungssektor in der Regel knapperen personellen Ausstattung wird ohne die Anwendung systematischer Behandlungspläne
kaum auszukommen sein. Mehrere Großprojekte (Berliner Algorithmusstudie,
TMAP, STAR*D) und Studien (13, 18, 21)
evaluieren derzeit Anwendbarkeit, Wirksamkeit, gesundheitsökonomische Parameter und Zufriedenheit der Patienten. Die vorliegenden Ergebnisse weisen zusammenfassend auf ein besseres klinisches Ergebnis
der nach Algorithmus behandelten Patienten hin. Um die algorithmusgestützte Behandlung zu implementieren, bedarf es einer weiteren Bewertung der Wirksamkeit
verschiedener Substanzen oder Behandlungsstrategien in unterschiedlichen Therapiestadien, wie dies bei STAR*D oder der
Algorithmusstudie erfolgt. Bei chronischen
Krankheitsverläufen mögen Anpassungen
im Vorgehen notwendig sein, um die Compliance zu fördern. Welche Rolle beispielsweise Patientenpräferenzen und Werte bei
der Entwicklung von Therapiealgorithmen
im Hinblick auf Compliance spielen, wurde
bislang nicht untersucht.
Danksagung
Diese Arbeit entstand im Rahmen des Kompetenznetzes Depression, Suizidalität und wurde vom Bundesministerium für Bildung und Forschung (BMBF) unterstützt.
Literatur
1. Adli M, Berghöfer A, Linden M, Helmchen H,
Müller-Oerlinghausen B, Mackert A, Stamm T,
Bauer M. Effectiveness and feasibility of a standardized stepwise drug treatment algorithm for
Downloaded from www.nervenheilkunde-online.de on 2017-10-31 | IP: 88.99.70.242
For personal or educational use only. No other uses without permission. All rights reserved.
387
Therapiealgorithmen in der Depressionsbehandlung
inpatients with depressive disorders – results of a
two-year observational study. J Clin Psychiatr
2002; 63: 782–90.
2. Adli M, RushAJ, Moller HJ, Bauer M.Algorithms
for optimizing the treatment of depression: making the right decision at the right time. Pharmacopsychiatry 2003; 36 (Suppl. 3): 222–9.
3. Adli M, Wiethoff K, Baghai T, Bauer M. Algorithmusgestützte Behandlung stationärer Patienten
mit depressiven Erkrankungen: das Berliner
Algorithmusprojekt. In: Bauer M, Berghöfer
A, Adli M (Hrsg). Therapieresistente Depressionen. Heidelberg, Berlin, New York: Springer
2005.
4. American Psychiatric Association (APA). Practice guideline for major depressive disorder in
adults. Am J Psychiatry 1993; 150: 1–26.
5. Amsterdam JD, Hornig-Rohan M. Treatment algorithms in treatment-resistant depression. Psychiatr Clin North Am 1996; 19: 371–86.
6. Bauer M, Linden M, Smolka MN, Kiesslinger U,
Neu P, Adli M. Effectiveness of an algorithm-guided treatment regimen compared to treatment as
usual: a randomized controlled study of inpatients
with depression. Eingereicht.
7. Bauer M, Whybrow PC, Angst J, Versiani M, Möller HJ. World Federation of Societies of Biological
Psychiatry (WFSBP) Guidelines for biological
treatment of unipolar depressive disorders, Part 1:
acute and continuation treatment of major depressive disorder. World J Biol Psychiatr 2002; 3:
5–43.
8. Bech P, Rafaelsen OJ. The melancholia scale: development, consistency, validity and utility. In:
Sartorius N, Ban TA (eds). Assessment of Depression. Berlin Heidelberg: Springer 1986.
9. Crismon ML, Trivedi MH, Pigott TA et al. The Texas Medication Algorithm Project: Report of the
Texas consensus conference panel on medication
treatment of major depressive disorder. J Clin Psychiatr 1999; 60: 142–56.
10. Eisenberg L. Treating depression and anxiety in
primary care: closing the gap between knowledge
and practice. N Engl J Med 1992; 326: 1080–4.
11. Faltermaier-Temizel M, Laakmann G, Baghai T,
Kuhn K. Prädiktive Faktoren für den Therapieerfolg beim depressiven Syndrom. Nervenarzt
1997; 68: 62–6.
12. Fava M, Rush AJ, Trivedi MH, et al. Background
and rationale for the sequenced treatment alternatives to relieve depression (STAR*D) study. Psychiatr Clin North Am 2003; 26: 457–94.
13. Flint AJ, Rifat SL. The effect of sequential antidepressant treatment on geriatric depression. J Affect Dis 1996 ; 36: 95–105.
14. Friedman RA, Koesis JH. Pharmacotherapy for
chronic depression. Psychiatr Clin North Am
1996; 19: 121–32.
15. Gilbert DA, Altshuler KZ, Rago WV et al. Texas
Medication Algorithm Project: definitions, rationale, and methods to develop medication algorithms. J Clin Psychiatry 1998; 59: 345–51.
16. Guscott R, Grof P. The clinical meaning of refractory depression: A review for the clinician.
Am J Psychiatry 1991; 148: 695–704.
17. Hamilton M. The Hamilton Rating Scale for Depression. In: Sartorius N, Ban TA (eds). Assessment of Depression. Heidelberg, Berlin, New
York: Springer 1986.
18. Hawley CJ, Pattinson HA, Quick SJ, Echlin D,
Smith V, McPhee S, Sivakumaran T.A protocol for
the pharmacologic treatment of major depression.
A field test of a potential prototype. J Affect Disord 1998; 47: 87–96.
19. Helmchen H. Gestuftes Vorgehen bei Resistenz
gegen Antidepressiva-Therapie. In: Möller HJ
(Hrsg). Therapieresistenz unter AntidepressivaBehandlung. Berlin: Springer 1990.
20. Judd LL, Akiskal HS, Maser JD et al. A prospective 12-year study of subsyndromal and syndromal
depressive symptoms in unipolar major depressive disorders. Arch Gen Psychiatry 1998; 55:
694–700.
21. Katon W, Russo J, von Korff M, Lin E, Simon G,
Bush T, Ludman E, Walker E. Long-term effects
of a collaborative care intervention in persistently
depressed primay care patients. J Gen Intern Med
2002; 17: 741–8.
22. Katon W, von Korff M, Lin E, Simon G, Walker E,
Unützer J, Bush T, Russo J, Ludman E. Stepped
collaborative care for primary care patients with
persistent symptoms of depression. Arch Gen
Psychiatr 1999; 56: 1109–15.
23. Katon W, Von Korff M, Lin E, Walker E, Simon
GE, Bush T, Robinson P, Russo J. Collaborative
management to achieve treatment guidelines. Impact on depression in primary care. JAMA 1995;
273: 1026–31.
24. Linden M, Helmchen H, Mackert A, Müller-Oerlinghausen B. Structure and feasibility of a standardized stepwise drug treatment regimen (SSTR)
for depressed inpatients. Pharmacopsychiatr
1994; 27 (Suppl): 51–3.
25. Linden M. Der Einfluss von Leitlinien, Standards
und ökonomischen Vorgaben auf medizinische
Entscheidungsprozesse. ZäFQ 2004; 98: 200–5.
26. Möller HJ. Therapieresistenz auf Antidepressiva:
Definition, Häufigkeit, Prädiktoren und Interventionsmöglichkeiten. Nervenarzt 2004; 75: 499–517.
27. Mulsant BH, Alexopoulos GS, Reynolds CF et al.
Pharmacological treatment of depression in
older primary care patients: the PROSPECT
alorithm. Int J of Geriatric Psychiatry 2001; 16:
585–92.
28. Murray C, Lopez A. Alternative projections of
mortality and disability by cause 1990–2020: global burden of disease study. Lancet 1997; 349:
1498–504.
29. Nierenberg AA, Amsterdam JD. Treatment-resistant depression: definition and treatment approaches. J Clin Psychiatry 1990; 51 (6, Suppl):
39–47.
30. Nolen WA, Haffmans J. Treatment of resistant depression. Review on the efficacy of various biological treatments, specifically in major depression
resistant to cyclic antidepressants. Int Clin Psychopharmacol 1989; 4: 217–28.
31. Paykel ES et al. Residual symptoms after partial
remission: an important outcome in depression.
Psychol Med 1995; 25: 1171–80.
32. Rush AJ. Algorithmusgestützte Behandlung der
Depression. In: Bauer M, Berghöfer A, Adli M
(Hrsg). Therapieresistente Depressionen. Heidelberg, Berlin, New York: Springer 2005.
33. Rush AJ et al. Sequenced treatment alternatives to
relieve depression (STAR*D): rationale and design. Control Clin Trials 2004; 25: 119–42.
34. Rush AJ, Crismon ML, Kashner TM. Texas Medication Algorithm Project, Phase 3 (TMAP-3): Rationale and Study Design. J Clin Psychiatry 2003;
64: 357–69.
35. RushAJ, Rago WV, Crismon ML et al. Medication
treatment for the severely and persistently ill: the
Texas medication algorithm project. J Clin Psychiatry 1999; 60: 284–91.
36. Rush AJ. Preface. In: Rush AJ (ed). Mood Disorders. Systematic Medication Management. Modern Problems of Pharmacopsychiatry, Vol. 25.
Basel: Karger 1997.
37. Salize et al. Behandlungskosten von Patienten mit
Depressionsdiagnose in Haus- und fachärztlicher
Versorgung in Deutschland. Psychiatrische Praxis
2004; 31: 147–56.
38. Thase ME, Rush AJ. Treatment-resistant depression. In: Bloom FE, Kupfer DJ (eds). Psychopharmacology: The Fourth Generation of Progress.
New York: Raven Press 1995.
39. Toprac MG et al.The Texas MedicationAlgorithm
Project. Patient and family education program; a
consumer guided initiative. J of Clin Psychiatry
2000; 61: 477–86.
40. Trivedi MH, Rush AJ, MD, Crismon ML, Kashner
TM, Toprac MG, Carmody TJ, Key T, Biggs MM,
Shores-Wilson K, Witte B, Suppes T, Miller AL,
Altshuler KZ, Shon SP. Texas Medication Algorithm Project (TMAP): Clinical Results for Patients with Major Depressive Disorder. Arch Gen
Psychiat 2004; 61: 669–80.
41. Unützer J, Katon W, Callahan CM, Williams JW
Jr, Hunkeler E, Harpole L, Hoffing M, Della Penna RD, Noel PH, Lin EH, Arean PA, Hegel MT,
Tang L, Belin TR, Oishi S, Langston C. Collaborative care management of late-life depression in
the primary care setting: a randomized controlled
trial. JAMA 2002; 288: 2836–45.
42. Wisniewski SR, Stegman D, Trivedi M, Husain
MM, Eng H, Shores-Wilson K, Luther J, Biggs
MM, Burroughs D, Ritz AL, Fava M, Quitkin F,
Rush AJ. Methods of testing feasibility for sequenced treatment alternatives to relieve depression (STAR*D). J Psychiat Res 2004; 38: 241-8.
43. Wittchen HU. Epidemiology of affective disorders. In: Helmchen H, Henn F, Lauter H, Sartorius N (eds). Contemporary Psychiatry, Vol. 3.
Heidelberg: Springer 2000.
Korrespondenzadresse:
Dr. Mazda Adli
Klinik für Psychiatrie und Psychotherapie
Charité Campus Mitte
Universitätsmedizin Berlin
10098 Berlin
Tel. 030 / 45051-7146, Fax -7944
Downloaded from www.nervenheilkunde-online.de on 2017-10-31 | IP: 88.99.70.242
For personal or educational use only. No other uses without permission. All rights reserved.
Nervenheilkunde 5/2005