Bipolar lidelse integrert stadieinndeling: Innlemming av biomarkører i progresjon over stadier (BOARDING-PASS)

Begrunnelse Bipolær lidelse (BD) er en svært utbredt (ca. 1 % i den generelle befolkningen) og funksjonshemmende tilstand, kjennetegnet av et kronisk og progressivt forløp. Den naturlige historien til BD inkluderer typisk en innledende asymptomatisk fase, etterfulgt av en prodromal fase, og deretter utbruddet av en første syndromatisk episode (depressiv eller manisk), som vanligvis etterfølges av tilbakevendende episoder, ofte uten full interepisodisk bedring. En økende mengde bevis støtter oppfatningen om at det longitudinale forløpet til BD er assosiert med en aktiv prosess av nevroprogresjon, kjennetegnet ved progressive hjerneforandringer og funksjonell nedsatt funksjon. Flere kliniske faktorer kan påvirke lidelsens forløp, inkludert antall affektive episoder, tilstedeværelsen av psykiske og medisinske komorbiditeter, eksponering for stressende livshendelser, og en familiehistorie med psykiske lidelser. Nevrobildeundersøkelser har konsekvent støttet nevroprogressiv hypotese i BD, og demonstrert strukturelle og funksjonelle hjerneforandringer som progressivt oppstår etter hvert som sykdommen skrider frem. Abnormiteter er også beskrevet på nivået av storskala nevrale nettverk. Spesielt viser Standardmodusnettverket seg å utvise endrede mønstre av hyper- og hypokonnektivitet med affektive, fronto-parietale, og oppmerksomhetsrelaterte systemer, som involverer sentrale knutepunkter ansvarlige for effektiv storskala hjernekommunikasjon. Videre er strukturelle og funksjonelle forandringer også identifisert hos upåvirkede slektninger av pasienter med BD. Studier som undersøker ytterligere biomarkører i BD har ytterligere gitt bevis som støtter en stadierelatert progresjon av lidelsen, spesielt med hensyn til Hjerneavledet nevrotroft faktor (BDNF) og inflammatoriske cytokiner. Sammenfattet gir nylige fremskritt innen klinisk stadieinndeling av BD, sammen med framskritt i identifikasjon av biologiske markører (f.eks. gen-transkripsjonsmodulering, nevrotrof signalering, immun-inflammatoriske veier, mikrobiota) og nevrobilde (struktur og funksjon av storskala hjernesystemer), et sterkt grunnlag for utviklingen av en multidimensjonal stadieringsmodell. En slik modell ville integrere kliniske og nevrobiologiske data, og tillate større diagnostisk, prognostisk og terapeutisk presisjon.

Spesifikke mål og eksperimentell design

BOARDING PASS-studien har følgende mål:

1. å longitudinelt vurdere BD klinisk progresjon over en 18-måneders periode ved bruk av Kupka & Hillegers' stadieringsmodell;
2. å undersøke rollen til biologiske og nevrobildemarkører i BD stadieoverganger (dvs. gen-transkripsjonsregulering, betennelse, mikrobiotiske, strukturelle og funksjonelle nevrobildemålinger);
3. å implementere en prediktiv ML-modell basert på integrasjon av kliniske, biologiske og nevrobildedata, for å gi en individualisert og datadrevet prediksjon av BD stadieoverganger.

Studien involverer den påfølgende rekrutteringen av 120 forsøkspersoner innskrevet ved tre av de fire deltakende sentrene: UO1 (ASST Fatebenefratelli-Sacco, Milano), UO2 (ASST Papa Giovanni XXIII, Bergamo), og UO3 (ASL 2 Abruzzo, Lanciano-Vasto-Chieti). Inklusjons- og eksklusjonskriterier er detaljert nedenfor.

Inklusjonskriterier:

1. Forsøkspersoner påvirket og upåvirket av BD hvis kliniske stadium faller innenfor de definert av Kupka og Hillegers-modellen, nemlig:

   stadium 0 (økt risiko: ha en førstegradsslektning med BD, i fravær av psykiske symptomer); stadium 1 (ha en førstegradsslektning med BD, i nærvær av ikke-spesifikke psykiske symptomer eller depressiv(e) episode(r)); stadium 2 (første hypo/manisk episode som tillater en diagnose av BD type I eller II i henhold til DSM-5; APA, 2013); stadium 3 (tilbakevendende episode(r): depressiv, hypo/manisk, eller blandet); stadium 4 (vedvarende ikke-remitterende lidelse: kroniske depressive, maniske, eller blandede episoder, inkludert rask syklus);

2. Personer av begge kjønn;
3. Alder ≥ 18 år og ≤ 70 år;
4. Evne til å gi gyldig skriftlig samtykke.

Eksklusjonskriterier:

1. Manglende evne til å gi gyldig skriftlig samtykke;
2. Tilstedeværelse av intellektuell funksjonshemming;
3. Tilstedeværelse av en alvorlig medisinsk tilstand;

4. Tilstedeværelse av en nåværende rusmiddelbrukslidelse.
   Etter å ha gitt skriftlig samtykke til å delta, vil innskrevne forsøkspersoner gjennomgå baselinevurdering (T0) og vil deretter gå inn i en 18-måneders oppfølgingsperiode som består av tre påfølgende tidspunkter: T1 (6 måneder etter T0), T2 (12 måneder etter T0), og T3 (18 måneder etter T0).
   Ved T0 og ved hvert påfølgende tidspunkt, vil deltakervurderingen inkludere: (i) klinisk og psykometrisk evaluering; utelukkende ved T0, T2, og T3, (ii) biologisk markørvurdering; og (iii) hjerne magnetisk resonansavbildning for innsamling av strukturelle og funksjonelle MRI-data.

   Klinisk og psykometrisk vurdering

   Ved baseline (T0), for hver studiedeltaker, vil de viktigste sosiodemografiske og kliniske variablene bli samlet inn og lagt inn i en anonymisert database.
   Disse inkluderer:

   (a) sosiodemografiske data: alder, kjønn, etnisitet, utdanningsnivå, sivilstatus, og yrkesstatus; (b) kliniske egenskaper: familiehistorie med psykiske lidelser, BD undertype, alder ved debut av BD og assosierte stressende livshendelser, sykdomsvarighet, varighet av ubehandlet sykdom, alder ved første depressive og hypo/maniske episode, polaritet av den første og mest nylige affektive episoden, dominerende polaritet, totalt livslangt antall affektive episoder, tilstedeværelse av blandede eller rask-syklus trekk, nåværende og tidligere psykofarmakologiske behandlinger, medisinske og psykiske komorbiditeter, historie med rusmiddelbrukslidelse, livslangt antall sykehusinnleggelser, og selvmordsforsøk.

   Disse variablene vil bli brukt til å tildele det kliniske stadiet ved T0 i henhold til Kupka og Hillegers-modellen (Kupka & Hillegers, 2012).
   Ved hvert påfølgende tidspunkt, vil sosiodemografiske og kliniske data bli oppdatert for å tildele det tilsvarende stadiet på nytt og for å evaluere potensielle assosiasjoner mellom kliniske variabler og sannsynligheten for progresjon til mer avanserte sykdomsstadier.

   Klinisk vurdering vil videre inkludere administrering av følgende psykometriske skalaer og spørreskjemaer: Test di Intelligenza Breve (TIB; Sartori, 1997; Colombo, 2002), administreringstid ca. 5 minutter; Hamilton Depresjonsskalaen (HDRS-21; Hamilton, 1960; Cassano et al., 1991), administreringstid ca. 20 minutter; Hamilton Angstskalaen (HARS; Hamilton, 1959; Cassano et al., 1991), administreringstid ca. 15 minutter; Montgomery-Åsberg Depresjonsskalaen (MADRS; Montgomery & Åsberg, 1979; Palma et al., 1999), administreringstid ca. 15 minutter; Young Maniaskalaen (YMRS; Young et al., 1978; Palma et al., 1999), administreringstid ca. 15 minutter; og Global Assessment of Functioning (GAF; Hall, 1995; APA, 1996), administreringstid ca. 2 minutter; Family Interview for Genetic Studies (FIGS); Drugs Abuse Screening Test (DAST-10), administreringstid er estimert til nesten 5 minutter.TWEAK-test med en fullføringstid på omtrent 2 minutter.
   Childhood Trauma Questionnaire (CTQ), det krever 5-10 minutter og vil bli administrert ved baseline.
   Paykel Scale for Recent Life Events, dens administrering tar omtrent 15 minutter og vil bli utført ved baseline; Clinician Rating Scale (CRS), registrert på nesten 2 minutter ved hvert tidspunkt og rettet mot å evaluere pasienters overholdelse av farmakologisk behandling.

   Biologisk markørvurdering: Gen-transkripsjonsregulering, betennelse, mikrobiota data

   Biologiske prøver for genuttrykk, betennelse, og mikrobiota analyser vil bli samlet inn ved baseline, T2 og T3.
   Spesifikt:

   1. ustimulerte spyttprøver -dvs. helt spytt samlet inn under hvileforhold uten smaks-, tygge-, eller farmakologisk stimulering- vil bli oppnådd ved bruk av bomullsbukkale swabs (Salivette, Sarstedt, Nümbrecht, Tyskland) og lagret ved -20 °C til genomisk DNA (gDNA) ekstraksjon.
      Eksosomer vil også bli isolert fra spytt og miRNA renset ved bruk av et eksosom RNA isoleringssett.

   2. perifere venøse blodprøver vil bli samlet inn i to 5 ml vacutainer-rør som inneholder natriumcitrat.
      Serum og cellulære komponenter vil bli separert og totalt RNA så vel som gDNA vil bli ekstrahert fra PBMCer.

      Alle biologiske prøver samlet inn ved de tre rekrutteringsstedene (Enhet 1, 2 og 3) vil bli overført til sentrallaboratoriet (Enhet 4) for standardisert prosessering og analyser, inkludert:

      - LIPIDOMICS for å analysere kortkjedede fettsyrer (SCFAer) ekstrahert fra spytt derivatisering for LC-MS/MS analyse vil bli utført.

      Molekylærbiologiske studier:

      - genuttrykksanalyse.
      Relativ overflod av mRNA arter i PBMCer vil bli vurdert ved real-time RT-PCR og Digital PCR.

      - DNA-metylering i både blod- og spyttceller a. generell DNA-metyleringsstatus vil bli analysert ved bruk av Reduced representation bisulfite sequencing (RRBS) metoden (SBS sekvensering av SURFseq5000 plattformen); b. gen-spesifikk DNA-metyleringsstudie vil bli utført på amplifisert bisulfitt (BS) behandlet DNA og metyleringsnivåer analysert ved bruk av PyroMark Q48 (64).

      - spytt eksosom miRNA: miRNOme analyse og utvalgte miRNAer etter nettverksanalyse ved RealTime PCR og Digital PCR.

      • Transkripsjonsfaktorer DNA-binding.
        ALPHAScreenTM assay-teknikk for å verifisere om identifiserte gjenkjennelseselementer ved genpromotere binder til forskjellige transkripsjonsfaktorer og om denne bindingen er direkte modulert av metyleringsgraden av CpG-motiver.
      • Spytt MIKROBIOTA SAMMENSETNING ved 16S rRNA Mikrobiota sekvensering.

      Nevrobildevurdering

      MRI-vurderinger vil bli utført ved bruk av 3T skannere ved T0, T2, og T3, og omfattet:

      - Strukturell MRI (sMRI): 3D T1-vektede bilder vil bli innhentet ved bruk av en SPGR-sekvens (TE = minimum (full); flip vinkel, 6°; FOV, 250 mm; båndbredde, 31.25;
      matrise, 256 x 256) med 124 aksiale skiver på 1.3 mm tykkelse.
      Etter kortikal overflate rekonstruksjon, vil lokale gyrifikasjonsindekser bli beregnet for 68 parcelierte kortikale regioner basert på Desikan Atlas ved bruk av FreeSurfer v7.1.0.
      En jackknife bias estimeringsprosedyre vil deretter bli anvendt for å bestemme hver enkelts bidrag til gruppenivå kovariansstruktur, genererende en 68×68 individvis avstandsmatrise.
      Den topologiske organiseringen av de resulterende strukturelle kovariansnettverkene vil deretter bli analysert ved bruk av Graph Analysis Toolbox.

      - Hviletilstand funksjonell MRI: rs-fMRI bilder vil bli innhentet ved bruk av en gradient-echo EPI-sekvens med 36 aksiale skiver (TE = 30 ms; TR = 2000 ms; voxelstørrelse: 3×3×4 mm3; matrisestørrelse: 64×64; FOV: 192×192 mm2);, innhentet i interleaved rekkefølge.
      Hver hviletilstandssesjon vil bestå av 400 volumer.
      Pre-prosessering vil bli utført ved bruk av en kombinasjon av FMRIB's Software Library (FSL) og egendefinerte MATLAB-skript.
      Pipeline vil inkludere følgende trinn: (1) reorientering til standardrom; (2) deteksjon av avviksvolumer, etterfulgt av spline-basert interpolasjon av avvikstidspunkter; (3) romlig og temporal forprosessering, inkludert bevegelseskorreksjon (MCFLIRT), temporal høypassfiltrering, og romlig utjevning (FWHM = 5 mm); (4) hjerneskille av det strukturelle bildet; (5) ikke-lineær registrering til MNI152 standardrom ved bruk av FSL-FNIRT.
      Statiske og dynamiske funksjonelle connectomer vil bli estimert ved å beregne z-transformert Pearson korrelasjonskoeffisienter mellom alle par av hjerneområder i den vedtatte parcelieringsordningen.
      Dynamisk konnektivitet vil bli beregnet ved bruk av et glidende-vindu-tilnærming med en vindulengde på 30 TRer og et trinnstørrelse på 2 TRer.
      Disse trinnene vil bli implementert gjennom in-house programvare utviklet i MATLAB.
      Graf-teoretiske mål vil bli beregnet gjennom Brain Connectivity Toolbox (MATLAB).

      For å minimere inter-site variabilitet i nevrobildedata, vil både strukturelle og funksjonelle MRI-innhentinger bli utført ved bruk av harmoniserte protokoller på tvers av de to bildesentrene, hver utstyrt med en 3 T skanner.
      ML-algoritmer En ML-rammeverk vil bli utviklet for å predikere kliniske stadieoverganger i BD ved å integrere innsamlede kliniske, biologiske, og nevrobildedata.
      For å håndtere integrasjonen av multimodal data, vil vi anvende robuste forprosesseringspipelines inkludert datanormalisering, avviksdeteksjon, og imputasjonsmetoder for håndtering av manglende verdier (f.eks. k-nærmeste nabo eller multiple imputasjon).
      ML-analyser vil starte ved måned 6 av studien og vil bli utført ved bruk av MATLAB's Statistics and Machine Learning Toolbox, innledningsvis støttet av NeuroMiner programvare (http://proniapredictors.eu/neurominer/index.html), en validert programvareplattform designet for å håndtere heterogene datasett.
      NeuroMiner tilbyr et bredt spekter av kryssvalideringsrammeverk, forprosesseringsstrategier, overvåkede læringsalgoritmer, funksjonsutvalgsverktøy, og eksterne valideringsmetoder.
      ML-tilnærmingen vil være basert på overvåkede klassifikatorer, primært Support Vector Machine (SVM) og Bayesianske modeller.
      I den foreløpige fasen, vil klassifikatorer bli trent og testet på foreløpige datasett for å sammenligne alternative prediktive modeller i en kontrollert setting og for å identifisere den best presterende algoritmiske konfigurasjonen.
      Deretter, vil funksjonsutvalgsprosedyrer bli benyttet for å identifisere de mest diskriminerende variablene fra puljen av kandidatfunksjoner.
      Dette trinnet er avgjørende for å forbedre modellfortolkbarhet og for å forhindre overtilpasning, spesielt i små-prøve, høydimensjonale datasett typiske for multimodale studier.
      Faktisk, ved å redusere antallet inndatavariabler, minimerer funksjonsutvalg støy, senker modellkompleksitet, og forbedrer generaliserbarheten av ML-prediksjonene.
      Om nødvendig (dvs. om dimensionaliteten til funksjonsrommet fortsatt er for høy), for å ytterligere redusere overtilpasning og beregningsbyrden, kan Principal Component Analysis bli anvendt.
      SVM-klassifikatorer vil bli prioritert på grunn av deres robusthet i håndtering av høydimensjonale, små-prøve data.
      I tillegg, vil klassevektlegging bli anvendt slik at feil på minoritetsstadier blir straffet tyngre, reduserende biasen introdusert av ujevne gruppestørrelser.
      Modellytelse vil bli vurdert ved bruk av kryssvalideringsteknikker (f.eks.
      leave-one-out eller stratifisert k-fold, avhengig av datastruktur og klassefordeling) og evaluert i form av sensitivitet, spesifisitet, F1-score og total nøyaktighet, for å ta hensyn til potensiell klasseubalanse.
      En forhåndsdefinert minimumsmålnøyaktighet på 90 % er påkrevd for modellimplementering på fullt datasett.
      Studiesteder og organisatorisk struktur BOARDING-PASS-studien vil bli gjennomført på tvers av fire operative enheter (UOer), hver med definerte roller for å sikre høykvalitets datainnsamling og standardiserte kliniske prosedyrer.

      - UO1 (ASST Fatebenefratelli-Sacco, Milano) er koordineringssenteret, ansvarlig for pasientrekruttering og baseline diagnostiske vurderinger, standardisert innsamling av kliniske og biologiske data.
      UO1-undersøkere vil gi koordinering og tilsyn innen multicenter forskningsnettverket, opprettholde effektiv kommunikasjon mellom klinikere, forskere, og teknisk personale.

      • UO2 (ASST Papa Giovanni XXIII, Bergamo) er ansvarlig for deltakerrekruttering, diagnostisk vurdering, innsamling av biologiske prøver, strukturelle og hviletilstand MRI-data innhenting også på vegne av UO1, og strukturell nevrobildeanalyse.
      • UO3 (ASL 2 Lanciano-Vasto-Chieti) vil utføre deltakerrekruttering og vurdering, datainnsamling og -håndtering, biologisk prøveinnsamling, så vel som strukturell og funksjonell nevrobildedata innhenting.
      • UO4 (Universitetet i Teramo) fungerer som det sentraliserte anlegget ansvarlig for biologiske analyser, spesifikt gen-transkripsjonsregulering og mikrobiota analyser.
        UO4 er også ansvarlig for analysen av funksjonell nevrobildedata og for implementeringen av ML-algoritmer.