Een biologische signatuur voor de vroege differentiële diagnose van psychose

Schizofrenie (SZ) en stemmingsstoornissen (BD, MDD) behoren wereldwijd tot de meest invaliderende stoornissen, met een relevante sociale, functionele en economische last. Hoewel ze worden geïdentificeerd als afzonderlijke stoornissen, vormt de potentieel overlappende symptomatologie belangrijke uitdagingen voor de differentiële diagnose. Een consistente literatuur bevestigt dat de structuur en functie van de hersenen een tussenliggend fenotype weerspiegelen van een onderliggende genetische kwetsbaarheid voor de stoornissen, gevormd door interactie met omgevingservaringen. Dergelijke ervaringen omvatten stress en trauma in het vroege leven die psychiatrische patiënten lijken te karakteriseren en die in verband zijn gebracht met hersenafwijkingen. Verder zijn ervaringen in het vroege leven in verband gebracht met ontstekingen bij een subpopulatie van psychiatrische patiënten. Beeldvorming, ontstekings- en genetische verschillen op groepsniveau hebben echter, ook al zijn ze consistent, geen invloed op de klinische praktijk, omdat ze niet zijn vertaald in individuele voorspellingen. Om deze problemen aan te pakken, implementeerde een snelgroeiende hoeveelheid wetenschappelijke literatuur computationele technieken, zoals machine learning (ML). In dit project zullen we geavanceerde ML-algoritmen ontwikkelen om de differentiële diagnose tussen stemmingsstoornissen en SZ te voorspellen op basis van genetische, neuroimaging-, inflammatoire en omgevingsgegevens in een uniek cohort van 1850 patiënten en 1000 gezonde controles, gerecruteerd in 4 verschillende centra in Italië. Het project zal zich richten op drie verschillende doelstellingen: in doel 1 zullen we algoritmen ontwikkelen voor de differentiële diagnose tussen SZ en MD, waarbij multimodale neuroimaging en genetische gegevens worden gecombineerd; in doel 2 zullen we de differentiële diagnose tussen SZ en MD voorspellen op basis van immuno-inflammatoire en omgevingsgegevens; Ten slotte zullen we met doel drie een diermodel exploiteren om de onderliggende mechanismen van hersenveranderingen geassocieerd met blootstelling aan stress in het vroege leven te identificeren. Machine learning-analyses omvatten algoritmen voor dataharmonisatie en featurereductie, evenals voor het genereren van normatieve modellen. Eindelijk. verschillende classificatiemodellen zullen worden vergeleken met inachtneming van de specifieke kenmerken om de beste prestaties te bereiken. De definitie van betrouwbare en objectieve biomarkers, gecombineerd met de allernieuwste computationele methodologie, zou artsen kunnen helpen bij het stellen van nauwkeurigere diagnoses en vroegtijdige interventies, waarbij ook rekening wordt gehouden met dimensionale constructies en factoren. het beïnvloeden van uitkomsten zoals affectieve versus niet-affectieve psychose en de omvang van blootstelling aan traumatische gebeurtenissen