Una firma biologica per la diagnosi differenziale precoce della psicosi

La schizofrenia (SZ) e i disturbi dell’umore (BD, MDD) sono tra i disturbi più invalidanti a livello mondiale, con un rilevante onere sociale, funzionale ed economico. Sebbene siano identificati come disturbi distinti, la potenziale sintomatologia sovrapposta pone importanti sfide per la diagnosi differenziale. Una letteratura coerente afferma che la struttura e la funzione del cervello riflettono un fenotipo intermedio di una vulnerabilità genetica sottostante per i disturbi, modellata dall'interazione con le esperienze ambientali. Tali esperienze includono stress e traumi precoci che sembrano caratterizzare i pazienti psichiatrici e sono stati associati ad anomalie cerebrali. Inoltre, le esperienze precoci di vita sono state associate all'infiammazione in una sottopopolazione di pazienti psichiatrici. Tuttavia le differenze a livello di gruppo nell'imaging, nell'infiammazione e nella genetica, sebbene coerenti, non influiscono sulla pratica clinica poiché non sono state tradotte in previsioni individuali. Per affrontare questi problemi, un corpus di letteratura scientifica in rapida crescita ha implementato tecniche computazionali, come l’apprendimento automatico (ML). In questo progetto svilupperemo algoritmi ML all'avanguardia per prevedere la diagnosi differenziale tra disturbi dell'umore e SZ da dati genetici, di neuroimaging, infiammatori e ambientali in una coorte unica di 1850 pazienti e 1000 controlli sani reclutati in 4 diversi centri in Italia. Il progetto affronterà tre diversi obiettivi: nell'obiettivo 1 svilupperemo algoritmi per la diagnosi differenziale tra SZ e MD combinando neuroimaging multimodale e dati genetici; nell'obiettivo 2 prediremo la diagnosi differenziale tra SZ e MD da dati immuno-infiammatori e ambientali; infine, con l'obiettivo tre sfrutteremo un modello animale per identificare i meccanismi alla base delle alterazioni cerebrali associate all'esposizione allo stress nei primi anni di vita. Le analisi di apprendimento automatico includeranno algoritmi per l’armonizzazione dei dati e la riduzione delle funzionalità, nonché per la generazione di modelli normativi. Finalmente. verranno confrontati diversi modelli di classificazione considerando le caratteristiche specifiche per ottenere le migliori prestazioni. La definizione di biomarcatori affidabili e oggettivi, combinata con una metodologia computazionale all'avanguardia, potrebbe aiutare i medici a fornire diagnosi più precise e interventi precoci, considerando anche costrutti e fattori dimensionali che influenzano gli esiti come la psicosi affettiva vs non affettiva e l’ampiezza dell’esposizione a eventi traumatici