Bipolær Lidelses Integreret Stadieinddeling: Inkorporering af Biomarkører i Progression På Tværs af Stadier (BOARDING-PASS)

Rationale Bipolær lidelse (BD) er en meget udbredt (ca. 1% i den generelle befolkning) og invalidiserende tilstand, karakteriseret ved et kronisk og progressivt forløb. Den naturlige historie for BD inkluderer typisk en indledende asymptomatisk fase, efterfulgt af et prodromalt stadium og efterfølgende debut af et første syndromisk anfald (depressivt eller manisk), som normalt efterfølges af tilbagevendende anfald, ofte i fravær af fuld inter-episodisk restitution. En stigende mængde evidens understøtter opfattelsen af, at det longitudinale forløb af BD er forbundet med en aktiv proces af neuroprogression, karakteriseret ved progressive hjernændringer og funktionel nedsættelse. Flere kliniske faktorer kan påvirke lidelsens forløb, herunder antallet af affektive anfald, tilstedeværelsen af psykiatriske og medicinske komorbiditeter, eksponering for stressende livsbegivenheder og en familiehistorie med psykiatriske lidelser. Neuroimaging-studier har konsekvent understøttet den neuroprogressive hypotese i BD og demonstreret strukturelle og funktionelle hjernændringer, der gradvist opstår, efterhånden som sygdommen skrider frem. Abnormaliteter er også beskrevet på niveauet af store neurale netværk. Især synes Default Mode Network at udvise ændrede mønstre af hyper- og hypokonnektivitet med affektive, fronto-parietale og opmærksomhedssystemer, som involverer centrale knudepunkter, der er ansvarlige for effektiv kommunikation i store hjernesystemer. Desuden er strukturelle og funktionelle ændringer også identificeret hos ikke-påvirkede slægtninge til patienter med BD. Studier, der undersøger yderligere biomarkører i BD, har yderligere givet evidens, der understøtter en stadierelateret progression af lidelsen, især med hensyn til Brain-Derived Neurotrophic Factor (BDNF) og inflammatoriske cytokiner. Samlet set giver de seneste fremskridt inden for klinisk stadieinddeling af BD, sammen med fremskridt i identifikationen af biologiske markører (f.eks. gen-transkriptionsmodulation, neurotrof signalering, immuno-inflammatoriske signalveje, mikrobiom) og neuroimaging (struktur og funktion af store hjernesystemer), et stærkt rationale for udviklingen af en multidimensionel stadiemodel. En sådan model ville integrere kliniske og neurobiologiske data og muliggøre større diagnostisk, prognostisk og terapeutisk præcision.

Specifikke mål og eksperimentelt design

BOARDING PASS-studiet har følgende mål:

1. at vurdere BD's kliniske progression longitudinelt over en 18-måneders periode ved hjælp af Kupka & Hillegers' stadiemodel;
2. at undersøge rollen af biologiske og neuroimaging-markører i BD-stadieovergange (dvs. gen-transkriptionsregulering, inflammation, mikrobiom, strukturelle og funktionelle neuroimaging-målinger);
3. at implementere en prædiktiv ML-model baseret på integration af kliniske, biologiske og neuroimaging-data for at give en individualiseret og datadrevet prædiktion af BD-stadieovergange.

Studiet involverer den fortløbende rekruttering af 120 forsøgspersoner indskrevet på tre af de fire deltagende centre: UO1 (ASST Fatebenefratelli-Sacco, Milano), UO2 (ASST Papa Giovanni XXIII, Bergamo) og UO3 (ASL 2 Abruzzo, Lanciano-Vasto-Chieti). Inklusions- og eksklusionskriterier er detaljeret nedenfor.

Inklusionskriterier:

1. Personer påvirket og ikke-påvirket af BD, hvis kliniske stadium falder inden for dem defineret af Kupka og Hillegers-model, nemlig:

   stadium 0 (forøget risiko: have en førstegradsslægtning med BD i fravær af psykiatriske symptomer); stadium 1 (have en førstegradsslægtning med BD i nærvær af ikke-specifikke psykiatriske symptomer eller depressivt anfald/anfald); stadium 2 (første hypo/manisk anfald, der muliggør en diagnose af BD type I eller II ifølge DSM-5; APA, 2013); stadium 3 (tilbagevendende anfald/anfald: depressive, hypo/maniske eller blandede); stadium 4 (vedvarende ikke-remitterende lidelse: kroniske depressive, maniske eller blandede anfald, inklusive rapid cycling);

2. Personer af begge køn;
3. Alder ≥ 18 år og ≤ 70 år;
4. Evne til at give gyldigt skriftligt informeret samtykke.

Eksklusionskriterier:

1. Manglende evne til at give gyldigt skriftligt informeret samtykke;
2. Tilstedeværelse af intellektuel handicap;
3. Tilstedeværelse af en alvorlig samtidig medicinsk tilstand;

4. Tilstedeværelse af en aktuel stofbrugsforstyrrelse. Efter at have givet skriftligt informeret samtykke til deltagelse vil indskrevne forsøgspersoner gennemgå en baselinevurdering (T0) og vil derefter indgå i en 18-måneders opfølgningsperiode bestående af tre efterfølgende tidspunkter: T1 (6 måneder efter T0), T2 (12 måneder efter T0) og T3 (18 måneder efter T0). Ved T0 og ved hvert efterfølgende tidspunkt vil deltagervurderingen inkludere: (i) klinisk og psykometrisk evaluering; udelukkende ved T0, T2 og T3, (ii) biologisk markørvurdering; og (iii) hjerne magnetisk resonansbilleddannelse for indsamling af strukturelle og funktionelle MRI-data.

   Klinisk og psykometrisk vurdering

   Ved baseline (T0) vil de vigtigste sociodemografiske og kliniske variable for hver studiedeltager blive indsamlet og indtastet i en anonymiseret database. Disse inkluderer:

   (a) sociodemografiske data: alder, køn, etnicitet, uddannelsesniveau, civilstand og beskæftigelsesstatus; (b) kliniske karakteristika: familiehistorie med psykiatriske lidelser, BD-subtype, debutalder for BD og tilknyttede stressende livsbegivenheder, sygdomsvarighed, varighed af ubehandlet sygdom, alder ved første depressive og hypo/maniske anfald, polaritet af det første og seneste affektive anfald, dominerende polaritet, totalt livstidsantal af affektive anfald, tilstedeværelse af blandede eller rapid-cycling træk, nuværende og tidligere psykofarmakologiske behandlinger, medicinske og psykiatriske komorbiditeter, historie med stofbrugsforstyrrelse, livstidsantal af indlæggelser og selvmordsforsøg.

   Disse variable vil blive brugt til at tildele det kliniske stadium ved T0 ifølge Kupka og Hillegers-model (Kupka & Hillegers, 2012). Ved hvert efterfølgende tidspunkt vil sociodemografiske og kliniske data blive opdateret for at gennemdele det tilsvarende stadium og evaluere potentielle associationer mellem kliniske variable og sandsynligheden for progression til mere avancerede stadier af sygdommen.

   Den kliniske vurdering vil yderligere inkludere administration af følgende psykometriske skalaer og spørgeskemaer: Test di Intelligenza Breve (TIB; Sartori, 1997; Colombo, 2002), administrationstid ca. 5 minutter; Hamilton Depression Rating Scale (HDRS-21; Hamilton, 1960; Cassano et al., 1991), administrationstid ca. 20 minutter; Hamilton Anxiety Rating Scale (HARS; Hamilton, 1959; Cassano et al., 1991), administrationstid ca. 15 minutter; Montgomery-Åsberg Depression Rating Scale (MADRS; Montgomery & Åsberg, 1979; Palma et al., 1999), administrationstid ca. 15 minutter; Young Mania Rating Scale (YMRS; Young et al., 1978; Palma et al., 1999), administrationstid ca. 15 minutter; og Global Assessment of Functioning (GAF; Hall, 1995; APA, 1996), administrationstid ca. 2 minutter; Family Interview for Genetic Studies (FIGS); Drugs Abuse Screening Test (DAST-10), administrationstid er estimeret til næsten 5 minutter. TWEAK-test med en gennemførelsestid på ca. 2 minutter. Childhood Trauma Questionnaire (CTQ), det kræver 5-10 minutter og vil blive administreret ved baseline. Paykel Scale for Recent Life Events, dens administration tager ca. 15 minutter og vil blive udført ved baseline; Clinician Rating Scale (CRS), registreret på næsten 2 minutter ved hvert tidspunkt og rettet mod at evaluere patienters overholdelse af farmakologisk behandling.

   Biologisk markørvurdering: Gen-transkriptionsregulering, inflammation, mikrobiomdata

   Biologiske prøver til genudtryk-, inflammations- og mikrobiomanalyser vil blive indsamlet ved baseline, T2 og T3. Specifikt:

   1. Ikke-stimulerede spytprøver - dvs. helt spyt indsamlet under hvilebetingelser uden gustatorisk, mastikatorisk eller farmakologisk stimulation - vil blive opnået ved hjælp af bomuldskindesvabere (Salivette, Sarstedt, Nümbrecht, Tyskland) og opbevaret ved -20 °C indtil ekstraktion af genomisk DNA (gDNA). Exosomer vil også blive isoleret fra spyt og miRNA'er renset ved hjælp af et exosom RNA-isoleringssæt.

   2. Perifere venøse blodprøver vil blive indsamlet i to 5 ml vacutainer-rør indeholdende natriumcitrat. Serum og cellulære komponenter vil blive adskilt og total RNA samt gDNA vil blive ekstraheret fra PBMC'er.

      Alle biologiske prøver indsamlet på de tre rekrutteringssteder (Enhed 1, 2 og 3) vil blive overført til det centrale laboratorium (Enhed 4) til standardiseret procesføring og analyser, herunder:

      - LIPIDOMICS til analyse af kortkædede fedtsyrer (SCFA'er) ekstraheret fra spyt derivatisering til LC-MS/MS-analyse vil blive udført.

      Molekylærbiologiske studier:

      - genudtryksanalyse. Relativ overflod af mRNA-arter i PBMC'er vil blive vurderet ved real-time RT-PCR og Digital PCR.

      - DNA-methylering i både blod- og spytceller a. generel DNA-methyleringsstatus vil blive analyseret ved hjælp af Reduced representation bisulfite sequencing (RRBS)-metoden (SBS-sekventering af SURFseq5000-platformen); b. gen-specifik DNA-methyleringsstudie vil blive udført på amplificeret bisulfit (BS)-behandlet DNA og methyleringsniveauer analyseret ved hjælp af PyroMark Q48 (64).

      - spyt exosomale miRNA'er: miRNOme-analyse og udvalgte miRNA'er efter netværksanalyse ved RealTime PCR og Digital PCR.

      • Transkriptionsfaktorer DNA-binding. ALPHAScreenTM assay-teknik til at verificere om identificerede genkendelseselementer ved genpromotorer binder til forskellige transkriptionsfaktorer og om denne binding er direkte moduleret af methyleringsgraden af CpG-motiver.
      • Spyt MIKROBIOTA SAMMENSÆTNING ved 16S rRNA Mikrobiom-sekventering.

      Neuroimaging-vurdering

      MRI-vurderinger vil blive udført ved hjælp af 3T-scannere ved T0, T2 og T3 og omfatter:

      - Strukturel MRI (sMRI): 3D T1-vægtede billeder vil blive indsamlet ved hjælp af en SPGR-sekvens (TE = minimum (fuld); flip vinkel, 6°; FOV, 250 mm; båndbredde, 31,25; matrix, 256 x 256) med 124 aksiale skiver på 1,3 mm tykkelse. Efter kortikal overfladerekonstruktion vil lokale gyrifikationsindeks blive beregnet for 68 parcelerede kortikale regioner baseret på Desikan Atlas ved hjælp af FreeSurfer v7.1.0. En jackknife bias-estimeringsprocedure vil derefter blive anvendt til at bestemme hver enkelts bidrag til gruppeniveauets kovariansstruktur, hvilket genererer en 68×68 individbaseret afstandsmatrix. Den topologiske organisation af de resulterende strukturelle kovariansnetværk vil efterfølgende blive analyseret ved hjælp af Graph Analysis Toolbox.

      - Resting-state funktionel MRI: rs-fMRI-billeder vil blive indsamlet ved hjælp af en gradient-echo EPI-sekvens med 36 aksiale skiver (TE = 30 ms; TR = 2000 ms; voxelstørrelse: 3×3×4 mm3; matrixstørrelse: 64×64; FOV: 192×192 mm2);, indsamlet i interleaved rækkefølge. Hver resting-state session vil bestå af 400 voluminer. Forbehandling vil blive udført ved hjælp af en kombination af FMRIB's Software Library (FSL) og brugerdefinerede MATLAB-scripts. Pipeline'en vil inkludere følgende trin: (1) reorientering til standardrum; (2) detektion af outlier-voluminer, efterfulgt af spline-baseret interpolation af outlier-tidspunkter; (3) rumlig og tidsmæssig forbehandling, inklusive bevægelseskorrektion (MCFLIRT), tidsmæssig højpasfiltrering og rumlig udglatning (FWHM = 5 mm); (4) hjerneskravering af det strukturelle billede; (5) ikke-lineær registrering til MNI152-standardrummet ved hjælp af FSL-FNIRT. Statiske og dynamiske funktionelle connectomer vil blive estimeret ved at beregne z-transformerede Pearson korrelationskoefficienter mellem alle par af hjerneområder i den anvendte parceleringsskema. Dynamisk konnektivitet vil blive beregnet ved hjælp af en sliding-window-tilgang med en vindueslængde på 30 TR'er og et skridtlængde på 2 TR'er. Disse trin vil blive implementeret gennem intern software udviklet i MATLAB. Graf-teoretiske mål vil blive beregnet gennem Brain Connectivity Toolbox (MATLAB).

      For at minimere mellem-site variabilitet i neuroimaging-data vil både strukturelle og funktionelle MRI-indhentninger blive udført ved hjælp af harmoniserede protokoller på tværs af de to billeddannelsescentre, hver udstyret med en 3 T-scanner. ML-algoritmer En ML-ramme vil blive udviklet til at forudsige kliniske stadieovergange i BD ved at integrere indsamlede kliniske, biologiske og neuroimaging-data. For at håndtere integrationen af modale data vil vi anvende robuste forbehandlingspipelines inklusive datanormalisering, outlier-detektion og imputationsmetoder til håndtering af manglende værdier (f.eks. k-nærmeste nabo eller multipel imputation). ML-analyser vil starte i måned 6 af studiet og vil blive udført ved hjælp af MATLAB's Statistics and Machine Learning Toolbox, oprindeligt understøttet af NeuroMiner-software (http://proniapredictors.eu/neurominer/index.html), en valideret softwareplatform designet til at håndtere heterogene datasæt. NeuroMiner giver et bredt udvalg af krydsvalideringsrammer, forbehandlingsstrategier, overvågede læringsalgoritmer, funktionsselektionsteknikker og eksterne valideringsmetoder. ML-tilgangen vil være baseret på overvågede klassifikatorer, primært Support Vector Machine (SVM) og Bayesianske modeller. I den foreløbige fase vil klassifikatorer blive trænet og testet på foreløbige datasæt for at sammenligne alternative prædiktive modeller i en kontrolleret indstilling og for at identificere den bedst præsterende algoritmiske konfiguration. Derefter vil funktionsselektionsprocedurer blive anvendt til at identificere de mest diskriminerende variable fra puljen af kandidatfunktioner. Dette trin er afgørende for at forbedre modeltolkbarhed og for at forhindre overfitting, især i små-prøve, højdimensionelle datasæt typiske for modale studier. Faktisk, ved at reducere antallet af inputvariable, minimerer funktionsselektion støj, reducerer modelkompleksitet og forbedrer generaliserbarheden af ML-prædiktionerne. Hvis nødvendigt (dvs. hvis dimensionaliteten af funktionsrummet stadig er for høj), for yderligere at reducere overfitting og den beregningsmæssige belastning, kan Principal Component Analysis blive anvendt. SVM-klassifikatorer vil blive prioriteret på grund af deres robusthed i håndtering af højdimensionelle, små-prøve data. Derudover vil klassevægtning blive anvendt, så fejl på minoritetsstadier straffes hårdere, hvilket reducerer den bias, der introduceres af ujævne gruppestørrelser. Modelpræstation vil blive vurderet ved hjælp af krydsvalideringsteknikker (f.eks. leave-one-out eller stratificeret k-fold, afhængigt af datastruktur og klassefordeling) og evalueret i form af sensitivitet, specificitet, F1-score og overordnet nøjagtighed for at tage højde for potentiel klasseubalance. En foruddefineret minimumsmålnøjagtighed på 90% er påkrævet for modelimplementering på det fulde datasæt. Studiesteder og organisatorisk struktur BOARDING-PASS-studiet vil blive gennemført på tværs af fire operationelle enheder (UO'er), hver med definerede roller for at sikre højkvalitets dataindsamling og standardiserede kliniske procedurer.

      - UO1 (ASST Fatebenefratelli-Sacco, Milano) er det koordinerende center, ansvarlig for patientrekruttering og baseline-diagnostiske vurderinger, standardiseret indsamling af kliniske og biologiske data. UO1-undersøgere vil give koordination og tilsyn inden for det multicenter forskningsnetværk og opretholde effektiv kommunikation mellem klinikere, forskere og teknisk personale.

      • UO2 (ASST Papa Giovanni XXIII, Bergamo) er ansvarlig for deltagerrekruttering, diagnostisk vurdering, indsamling af biologiske prøver, strukturel og resting-state MRI-dataindsamling også på vegne af UO1 og strukturel neuroimaging-analyse.
      • UO3 (ASL 2 Lanciano-Vasto-Chieti) vil gennemføre deltagerrekruttering og -vurdering, dataindsamling og -håndtering, indsamling af biologiske prøver samt strukturel og funktionel neuroimaging-dataindsamling.
      • UO4 (University of Teramo) fungerer som den centraliserede facilitet ansvarlig for biologiske analyser, specifikt gen-transkriptionsregulering og mikrobiomanalyser. UO4 er også ansvarlig for analysen af funktionelle neuroimaging-data og for implementeringen af ML-algoritmer.