Eine biologische Signatur für die frühe Differentialdiagnose von Psychosen

Schizophrenie (SZ) und Stimmungsstörungen (BD, MDD) gehören weltweit zu den beeinträchtigendsten Erkrankungen mit einer relevanten sozialen, funktionellen und wirtschaftlichen Belastung. Obwohl sie als unterschiedliche Störungen identifiziert werden, stellt die potenziell überlappende Symptomatik große Herausforderungen für die Differentialdiagnose dar. Eine konsistente Literatur bestätigt, dass Gehirnstruktur und -funktion einen Zwischenphänotyp einer zugrunde liegenden genetischen Anfälligkeit für die Störungen widerspiegeln, die durch die Interaktion mit Umwelterfahrungen geprägt ist. Zu diesen Erfahrungen gehören Stress und Traumata im frühen Leben, die psychiatrische Patienten zu charakterisieren scheinen und mit Gehirnanomalien in Verbindung gebracht werden. Darüber hinaus wurden frühe Lebenserfahrungen bei einer Subpopulation psychiatrischer Patienten mit Entzündungen in Verbindung gebracht. Bildgebungs-, Entzündungs- und genetische Unterschiede auf Gruppenebene haben jedoch, wenn auch konsistent, keinen Einfluss auf die klinische Praxis, da sie nicht in individuelle Vorhersagen umgesetzt wurden. Um diese Probleme anzugehen, wurden in einer schnell wachsenden Zahl wissenschaftlicher Literatur Computertechniken wie maschinelles Lernen (ML) implementiert. In diesem Projekt werden wir hochmoderne ML-Algorithmen entwickeln, um die Differenzialdiagnose zwischen Stimmungsstörungen und SZ anhand genetischer, bildgebender, entzündlicher und umweltbezogener Daten in einer einzigartigen Kohorte von 1850 Patienten und 1000 gesunden Kontrollpersonen vorherzusagen, die in 4 verschiedenen Zentren in Italien rekrutiert wurden. Das Projekt wird drei verschiedene Ziele verfolgen: In Ziel 1 werden wir Algorithmen für die Differenzialdiagnose zwischen SZ und MD entwickeln, die multimodale Neuroimaging- und genetische Daten kombinieren; In Ziel 2 werden wir die Differenzialdiagnose zwischen SZ und MD anhand immuninflammatorischer und umweltbedingter Daten vorhersagen. Schließlich werden wir mit Ziel drei ein Tiermodell nutzen, um die zugrunde liegenden Mechanismen von Gehirnveränderungen zu identifizieren, die mit der Exposition gegenüber frühem Lebensstress verbunden sind. Zu den maschinellen Lernanalysen gehören Algorithmen zur Datenharmonisierung und Merkmalsreduzierung sowie zur Generierung normativer Modelle. Endlich. Verschiedene Klassifizierungsmodelle werden unter Berücksichtigung der spezifischen Merkmale verglichen, um die beste Leistung zu erzielen. Die Definition zuverlässiger und objektiver Biomarker in Kombination mit modernster Computermethodik könnte Klinikern dabei helfen, präzisere Diagnosen und frühzeitige Interventionen zu stellen, auch unter Berücksichtigung dimensionaler Konstrukte und Faktoren Beeinflussung von Ergebnissen wie affektive vs. nicht affektive Psychosen und Umfang der Exposition gegenüber traumatischen Ereignissen