Sviluppo di uno strumento software, utilizzando l'intelligenza artificiale, che integra dati clinici, biologici, genetici e di imaging per prevedere la diagnosi e l'esito dei pazienti depressi al fine di migliorare la prognosi e limitare i costi sanitari.

Sulla base di solide prove dalla letteratura, i ricercatori ipotizzano la presenza di basi neurobiologiche specifiche della malattia per il disturbo bipolare e unipolare, che possono servire come biomarcatori per la diagnosi differenziale. Tuttavia, gli approcci di confronto di gruppo adottati nella ricerca psichiatrica non riescono a tradurre la conoscenza emergente nella routine diagnostica.

In che modo i medici possono prevedere la diagnosi differenziale e la risposta al trattamento utilizzando le conoscenze all'avanguardia ottenute nell'ultimo decennio? In che modo una conoscenza così vasta può essere utile e applicabile nella pratica clinica? Con questo progetto, i ricercatori propongono una soluzione a queste sfide sviluppando uno strumento software che integra i dati clinici, biologici, genetici e di imaging disponibili per prevedere la diagnosi e l'esito di nuovi singoli pazienti.

La piattaforma di supporto alle decisioni utilizzerà l'intelligenza artificiale, nello specifico tecniche di apprendimento automatico, che saranno "addestrate" attraverso i dati per prevedere la categoria a cui appartiene una nuova osservazione. In questo modo, i set di dati multimodali esistenti e di nuova acquisizione di pazienti bipolari e unipolari saranno tradotti in predittori per la diagnosi e la prognosi personalizzate del paziente.

Il progetto può avere un grande impatto sulla comunità psichiatrica e sul sistema sanitario. L'identificazione di biomarcatori predittivi per UD e BD fornirà uno strumento essenziale nelle prime fasi della malattia, garantendo una diagnosi accurata, migliorando la prognosi e limitando i costi sanitari.

I ricercatori recluteranno 80 pazienti bipolari, 80 pazienti unipolari e 80 controlli sani per lo studio MRI. Da tutti i soggetti verranno acquisiti dati clinici, genetici e infiammatori.

Saranno ottenuti i seguenti dati: età, sesso, numero di episodi, recidiva, età di insorgenza della malattia, psicosi nel corso della vita, familiarità BD o UD, tentato suicidio, farmaci, punteggi a HDRS, Beck Depression Inventory e batteria BACS.

La risonanza magnetica verrà eseguita su scanner 3.0 Tesla. Le acquisizioni MRI includeranno SE EPI DTI, MPRAGE 3D pesato in T1 e sequenze fMRI durante lo stato di riposo e un paradigma di corrispondenza facciale, che in precedenza consentiva di definire la connettività nel disturbo dell'umore.

I campioni di sangue verranno raccolti e il plasma verrà estratto e conservato a -80. Le citochine pro e antinfiammatorie saranno misurate utilizzando il Bioplex human cytokines 27-plex.

Le varianti genetiche associate considerate per la diagnosi differenziale saranno valutate utilizzando l'Infinium PsychArray-24 BeadChip. Questo microarray economico e ad alta densità è stato sviluppato in collaborazione con il Psychiatric Genomics Consortium per studi genetici su larga scala incentrati sulla predisposizione e sul rischio psichiatrico.

La rilevanza delle singole caratteristiche cliniche, genetiche, molecolari e basate sull'immagine come firme del disturbo bipolare e unipolare sarà valutata considerando la letteratura all'avanguardia e stimata su un set di dati indipendente già esistente (30 soggetti per gruppo). Verranno utilizzate analisi del modello lineare generale seguite da test t a due code per identificare se ciascun parametro differisce significativamente tra i gruppi, rimuovendo il contributo di età, sesso, durata della malattia e altri fattori di confusione.

Un algoritmo di apprendimento del kernel multiplo (MKL) proietterà le caratteristiche multisorgente in uno spazio dimensionale superiore in cui i tre gruppi di soggetti saranno separati al massimo. Le funzionalità selezionate verranno utilizzate sia separatamente che in combinazione. Gli effetti fastidiosi dell'età, del sesso, della durata della malattia e del sistema MRI saranno corretti durante la fase di addestramento dell'algoritmo. Il classificatore MKL sarà testato utilizzando una strategia di validazione incrociata nidificata k-fold con messa a punto dell'iperparametro. Il dataset formativo è già stato reso disponibile e comprende circa 550 soggetti.

L'architettura software sarà progettata in ambiente Matlab integrando metodi di imaging quantitativo, algoritmi di apprendimento automatico e analisi statistiche come moduli separati in un'interfaccia user-friendly, che faciliterà la condivisione delle risorse computazionali nella comunità clinica.