Vývoj softwarového nástroje využívajícího umělou inteligenci, který integruje klinická, biologická, genetická a zobrazovací data k predikci diagnózy a výsledku depresivních pacientů s cílem zlepšit prognózu a omezit náklady na zdravotní péči.

Na základě robustních důkazů z literatury vědci předpokládají přítomnost neurobiologických podkladů pro onemocnění specifických pro bipolární a unipolární poruchu, které mohou sloužit jako biomarkery pro diferenciální diagnostiku. Skupinové srovnávací přístupy používané v psychiatrickém výzkumu však nedokážou převést nové poznatky do diagnostické rutiny.

Jak mohou lékaři předpovídat diferenciální diagnostiku a léčebnou odpověď s využitím nejmodernějších znalostí získaných v posledním desetiletí? Jak mohou být tak rozsáhlé znalosti užitečné a použitelné v klinické praxi? V rámci tohoto projektu vyšetřovatelé navrhují řešení těchto problémů vývojem softwarového nástroje, který integruje dostupná klinická, biologická, genetická a zobrazovací data k předpovídání diagnózy a výsledku u nových jednotlivých pacientů.

Platforma pro podporu rozhodování bude využívat umělou inteligenci, konkrétně techniky strojového učení, které budou „trénovány“ prostřednictvím dat, aby bylo možné predikovat kategorii, do které nové pozorování patří. Tímto způsobem budou existující a nově získané multimodální datové soubory bipolárních a unipolárních pacientů převedeny do prediktorů pro personalizovanou diagnostiku a prognózu pacientů.

Projekt může mít velký dopad na psychiatrickou komunitu a zdravotnický systém. Identifikace prediktivních biomarkerů pro UD a BD poskytne základní nástroj v časných stádiích onemocnění, zajistí přesnou diagnózu, zlepší prognózu a omezí náklady na zdravotní péči.

Vyšetřovatelé přijmou do studie MRI 80 bipolárních pacientů, 80 unipolárních pacientů a 80 zdravých kontrol. Klinická, genetická a zánětlivá data budou získána od všech subjektů.

Budou získány následující údaje: věk, pohlaví, počet epizod, recidiva, věk nástupu nemoci, celoživotní psychóza, obeznámenost s BD nebo UD, pokus o sebevraždu, léky, skóre v HDRS, Beck Depression Inventory a BACS baterie.

MRI se bude provádět na skenerech Tesla 3.0. Akvizice MRI budou zahrnovat SE EPI DTI, T1-vážené 3D MPRAGE a fMRI sekvence během klidového stavu a paradigma face matching, které dříve umožňovalo definovat konektivitu u poruch nálady.

Budou odebrány vzorky krve a plazma bude extrahována a uložena při -80. Prozánětlivé a protizánětlivé cytokiny budou měřeny pomocí lidských cytokinů 27-plex Bioplex.

Genetické varianty zvažované pro diferenciální diagnostiku budou hodnoceny pomocí Infinium PsychArray-24 BeadChip. Tento nákladově efektivní mikročip s vysokou hustotou byl vyvinut ve spolupráci s Psychiatric Genomics Consortium pro rozsáhlé genetické studie zaměřené na psychiatrickou predispozici a riziko.

Relevance jednotlivých klinických, genetických, molekulárních a obrazových znaků, jako jsou signatury bipolární a unipolární poruchy, bude vyhodnocena na základě nejnovější literatury a odhadnuta na nezávislém již existujícím souboru dat (30 subjektů na skupinu). Analýzy obecného lineárního modelu následované oboustrannými t-testy budou použity k identifikaci toho, zda se každý parametr významně liší mezi skupinami, přičemž se odstraní příspěvek věku, pohlaví, délky nemoci a dalších matoucích faktorů.

Algoritmus učení s více jádry (MKL) promítne vícezdrojové funkce do vícerozměrného prostoru, kde budou tři skupiny předmětů maximálně odděleny. Vybrané funkce budou použity samostatně i v kombinaci. Obtěžující účinky věku, pohlaví, délky nemoci a systému MRI budou korigovány během trénovací fáze algoritmu. Klasifikátor MKL bude testován pomocí k-násobně vnořené strategie křížové validace s laděním hyperparametrů. Školicí datový soubor je již k dispozici a zahrnuje přibližně 550 subjektů.

Softwarová architektura bude navržena v prostředí Matlab integrací kvantitativních zobrazovacích metod, algoritmu strojového učení a statistických analýz jako samostatných modulů v uživatelsky přívětivém rozhraní, které usnadní sdílení výpočetních zdrojů v klinické komunitě.