Una firma biológica para el diagnóstico diferencial temprano de la psicosis

La esquizofrenia (SZ) y los trastornos del estado de ánimo (TB, TDM) se encuentran entre los trastornos más incapacitantes a nivel mundial, con una carga social, funcional y económica relevante. Aunque se identifican como trastornos distintos, la posible sintomatología superpuesta plantea importantes desafíos para el diagnóstico diferencial. Una literatura consistente afirma que la estructura y función del cerebro reflejan un fenotipo intermedio de una vulnerabilidad genética subyacente a los trastornos, moldeada por la interacción con experiencias ambientales. Tales experiencias incluyen estrés y trauma en los primeros años de vida que parecen caracterizar a los pacientes psiquiátricos y se han asociado con anomalías cerebrales. Además, las experiencias tempranas de la vida se han asociado con la inflamación en una subpoblación de pacientes psiquiátricos. Sin embargo, las diferencias en imágenes, inflamatorias y genéticas a nivel de grupo, aunque consistentes, no afectan la práctica clínica ya que no se han traducido en predicciones individuales. Para abordar estos problemas, un cuerpo de literatura científica en rápido crecimiento implementó técnicas computacionales, como el aprendizaje automático (ML). En este proyecto desarrollaremos algoritmos de aprendizaje automático de vanguardia para predecir el diagnóstico diferencial entre trastornos del estado de ánimo y SZ a partir de datos genéticos, de neuroimagen, inflamatorios y ambientales en una cohorte única de 1850 pacientes y 1000 controles sanos reclutados en 4 centros diferentes en Italia. El proyecto abordará tres objetivos diferentes: en el objetivo 1 desarrollaremos algoritmos para el diagnóstico diferencial entre SZ y MD combinando neuroimagen multimodal y datos genéticos; en el objetivo 2 predeciremos el diagnóstico diferencial entre SZ y MD a partir de datos inmunoinflamatorios y ambientales; Finalmente, con el objetivo tres explotaremos un modelo animal para identificar los mecanismos subyacentes de las alteraciones cerebrales asociadas con la exposición al estrés en las primeras etapas de la vida. Los análisis de aprendizaje automático incluirán algoritmos para la armonización de datos y la reducción de características, así como para generar modelos normativos. Finalmente. Se compararán diferentes modelos de clasificación considerando las características específicas para lograr el mejor rendimiento. La definición de biomarcadores confiables y objetivos, combinada con una metodología computacional de vanguardia, podría ayudar a los médicos a proporcionar diagnósticos más precisos e intervenciones tempranas, considerando también constructos y factores dimensionales. Influir en resultados como psicosis afectiva versus no afectiva y amplitud de exposición a eventos traumáticos.