Udvikling af et softwareværktøj ved hjælp af kunstig intelligens, der integrerer kliniske, biologiske, genetiske og billeddiagnostiske data for at forudsige diagnose og udfald af deprimerede patienter for at forbedre prognosen og begrænse sundhedsomkostningerne.

Baseret på robust evidens fra litteraturen antager efterforskerne tilstedeværelsen af ​​sygdomsspecifikke neurobiologiske fundamenter for bipolar og unipolar lidelse, som kan tjene som biomarkører for differentialdiagnose. Imidlertid mislykkes de gruppesammenligningstilgange, der anvendes i psykiatrisk forskning, i at omsætte den nye viden til den diagnostiske rutine.

Hvordan kan læger forudsige differentialdiagnose og behandlingsrespons ved at bruge banebrydende viden opnået i det sidste årti? Hvordan kan en så omfattende viden være nyttig og anvendelig i klinisk praksis? Med dette projekt foreslår efterforskerne en løsning på disse udfordringer ved at udvikle et softwareværktøj, der integrerer de tilgængelige kliniske, biologiske, genetiske og billeddiagnostiske data for at forudsige diagnose og udfald af nye individuelle patienter.

Beslutningsstøtteplatformen vil anvende kunstig intelligens, specifikt maskinlæringsteknikker, som vil blive "trænet" gennem data for at forudsige den kategori, som en ny observation tilhører. Ved at gøre dette vil eksisterende og nyerhvervede multimodale datasæt af bipolære og unipolære patienter blive oversat til prædiktorer for personlig patientdiagnose og prognose.

Projektet kan have stor betydning for det psykiatriske samfund og sundhedsvæsenet. Identifikation af prædiktive biomarkører for UD og BD vil give et væsentligt værktøj i de tidlige stadier af sygdommen, hvilket sikrer nøjagtig diagnose, forbedrer prognosen og begrænser sundhedsomkostningerne.

Efterforskerne vil rekruttere 80 bipolære patienter, 80 unipolære patienter og 80 raske kontroller til MRI-studiet. Kliniske, genetiske og inflammationsdata vil blive indhentet fra alle forsøgspersoner.

Følgende data vil blive indhentet: alder, køn, antal episoder, recidiv, alder for sygdomsdebut, livstidspsykose, BD eller UD kendskab, fristet selvmord, medicin, score ved HDRS, Beck Depression Inventory og BACS batteri.

MR vil blive udført på 3.0 Tesla scannere. MRI-opkøb vil omfatte SE EPI DTI, T1-vægtede 3D MPRAGE- og fMRI-sekvenser under hviletilstand og et ansigtsmatchende paradigme, som tidligere gjorde det muligt at definere forbindelsen i humørforstyrrelser.

Blodprøver vil blive indsamlet og plasma vil blive ekstraheret og opbevaret ved -80. Pro- og anti-inflammatoriske cytokiner vil blive målt ved hjælp af Bioplex humane cytokiner 27-plex.

Genetiske varianter associeret med hensyn til differentialdiagnose vil blive evalueret ved hjælp af Infinium PsychArray-24 BeadChip. Dette omkostningseffektive, high-density microarray blev udviklet i samarbejde med Psychiatric Genomics Consortium til storstilede genetiske undersøgelser med fokus på psykiatrisk disposition og risiko.

Relevansen af ​​de enkelte kliniske, genetiske, molekylære og billedbaserede egenskaber som bipolar og unipolar lidelse signaturer vil blive evalueret ved at overveje den banebrydende litteratur og estimeret på et uafhængigt allerede eksisterende datasæt (30 forsøgspersoner pr. gruppe). Generelle lineære modelanalyser efterfulgt af tosidede t-tests vil blive brugt til at identificere, om hver parameter adskiller sig signifikant mellem grupperne, samtidig med at bidraget fra alder, køn, sygdomslængde og andre forstyrrende faktorer fjernes.

En multiple kernel learning (MKL) algoritme vil projicere multisource funktionerne til et højere dimensionelt rum, hvor de tre emnegrupper vil være maksimalt adskilt. De valgte funktioner vil blive brugt både separat og i kombination. Generne af alder, køn, sygdomslængde og MR-system vil blive korrigeret i træningsfasen af ​​algoritmen. MKL-klassifikatoren vil blive testet ved hjælp af en k-fold indlejret krydsvalideringsstrategi med hyperparametertuning. Træningsdatasættet er allerede gjort tilgængeligt og omfatter omkring 550 emner.

Softwarearkitekturen vil blive designet i Matlab-miljøet ved at integrere kvantitative billeddannelsesmetoder, maskinlæringsalgoritme og statistiske analyser som separate moduler i en brugervenlig grænseflade, som vil lette deling af beregningsressourcer i det kliniske samfund.