En biologisk signatur for tidlig differensialdiagnose av psykose

Schizofreni (SZ) og stemningslidelser (BD, MDD) er blant de mest invalidiserende lidelsene på verdensbasis, med en relevant sosial, funksjonell og økonomisk byrde. Selv om de er identifisert som distinkte lidelser, utgjør den potensielle overlappende symptomatologien viktige utfordringer for differensialdiagnosen. En konsistent litteratur bekrefter at hjernestruktur og funksjon reflekterer en mellomliggende fenotype av en underliggende genetisk sårbarhet for lidelsene, formet av interaksjon med miljøopplevelser. Slike opplevelser inkluderer stress og traumer i tidlig liv som ser ut til å prege psykiatriske pasienter og har vært assosiert med hjerneabnormiteter. Videre har tidlige livserfaringer blitt assosiert med betennelse i en underpopulasjon av psykiatriske pasienter. Imidlertid påvirker bildediagnostikk, inflammatoriske og genetiske gruppenivåforskjeller, om enn konsistente, ikke klinisk praksis siden de ikke har blitt oversatt til individuell prediksjon. For å løse disse problemene, implementerte en raskt voksende mengde vitenskapelig litteratur beregningsteknikker, for eksempel maskinlæring (ML). I dette prosjektet vil vi utvikle banebrytende ML-algoritmer for å forutsi differensialdiagnosen mellom stemningslidelser og SZ fra genetiske, neuroimaging, inflammatoriske og miljømessige data i en unik kohort på 1850 pasienter og 1000 friske kontroller rekruttert i 4 forskjellige sentre i Italia. Prosjektet vil ta for seg tre ulike mål: i mål 1 vil vi utvikle algoritmer for differensialdiagnose mellom SZ og MD ved å kombinere multimodal nevroimaging og genetiske data; i mål 2 vil vi forutsi differensialdiagnosen mellom SZ og MD fra immuninflammatoriske og miljømessige data; til slutt, med mål tre vil vi utnytte en dyremodell for å identifisere de underliggende mekanismene for hjerneendringer assosiert med eksponering for stress i tidlig liv. Maskinlæringsanalyser vil inkludere algoritmer for dataharmonisering og funksjonsreduksjon, samt for å generere normative modeller. Endelig. forskjellige klassifiseringsmodeller vil bli sammenlignet med tanke på de spesifikke egenskapene for å oppnå best ytelse. Definisjonen av pålitelige og objektive biomarkører, kombinert med banebrytende beregningsmetodikk, kan hjelpe klinikere med å gi mer presise diagnoser og tidlige intervensjoner, også med tanke på dimensjonale konstruksjoner og faktorer påvirke utfall som affektiv vs ikke-affektiv psykose og bredden av eksponering for traumatiske hendelser