Biológiai aláírás a pszichózis korai differenciáldiagnózisához

A skizofrénia (SZ) és a hangulatzavarok (BD, MDD) a leginkább fogyatékosságot okozó betegségek közé tartoznak világszerte, jelentős társadalmi, funkcionális és gazdasági terhekkel. Bár különálló rendellenességekként azonosítják őket, a lehetséges átfedő tünetek jelentős kihívásokat jelentenek a differenciáldiagnózis számára. Egybehangzó irodalom megerősíti, hogy az agy szerkezete és működése a rendellenességek mögöttes genetikai sebezhetőségének köztes fenotípusát tükrözi, amelyet a környezeti tapasztalatokkal való kölcsönhatás alakít ki. Ilyen tapasztalatok közé tartozik a korai életkori stressz és trauma, amelyek úgy tűnik, a pszichiátriai betegeket jellemzik, és agyi rendellenességekkel járnak együtt. Ezenkívül a korai élettapasztalatokat a pszichiátriai betegek egy részében összefüggésbe hozták a gyulladással. Azonban a képalkotó, gyulladásos és genetikai csoportszintű különbségek, bár konzisztensek, nem befolyásolják a klinikai gyakorlatot, mivel nem váltották át őket egyéni előrejelzésekké. E problémák megoldására a tudományos irodalom gyorsan növekvő tömege alkalmazott számítási technikákat, például a gépi tanulást (ML). Ebben a projektben élvonalbeli ML algoritmusokat fejlesztünk ki a hangulati rendellenességek és az SZ közötti differenciáldiagnózis előrejelzésére genetikai, idegi képalkotó, gyulladásos és környezeti adatokból egy egyedülálló, 1850 betegből és 1000 egészséges kontrollból álló csoportban, amelyeket Olaszország 4 különböző központjában toboroztak. A projekt három különböző célt céloz meg: az 1. célban algoritmusokat dolgozunk ki az SZ és MD közötti differenciáldiagnózishoz, kombinálva a multimodális neuroimaging és a genetikai adatokat; a 2. célban immungyulladásos és környezeti adatokból megjósoljuk az SZ és MD differenciáldiagnózisát; végül a harmadik céllal egy állatmodellt fogunk felhasználni a korai élet stressznek való kitettséggel összefüggő agyi elváltozások mögöttes mechanizmusainak azonosítására. A gépi tanulási elemzések algoritmusokat fognak tartalmazni az adatok harmonizálására és a jellemzők csökkentésére, valamint a normatív modellek generálására. Végül. Különböző osztályozási modelleket hasonlítanak össze, figyelembe véve a specifikus jellemzőket a legjobb teljesítmény elérése érdekében. A megbízható és objektív biomarkerek meghatározása az élvonalbeli számítási módszertannal kombinálva segítheti a klinikusokat a pontosabb diagnózisok és a korai beavatkozások elvégzésében, figyelembe véve a dimenziós konstrukciókat és tényezőket is. az olyan kimenetelek befolyásolása, mint az affektív vagy nem affektív pszichózis és a traumatikus eseményeknek való kitettség szélessége