Opracowanie narzędzia programowego wykorzystującego sztuczną inteligencję, które integruje dane kliniczne, biologiczne, genetyczne i obrazowe w celu przewidywania diagnozy i wyników pacjentów z depresją w celu poprawy rokowania i ograniczenia kosztów opieki zdrowotnej.

Opierając się na solidnych dowodach z literatury, badacze stawiają hipotezę o obecności specyficznych dla choroby podstaw neurobiologicznych dla choroby afektywnej dwubiegunowej i jednobiegunowej, które mogą służyć jako biomarkery do diagnostyki różnicowej. Jednak stosowane w badaniach psychiatrycznych podejście polegające na porównywaniu grup nie przekłada nowej wiedzy na rutynę diagnostyczną.

W jaki sposób lekarze mogą przewidzieć diagnostykę różnicową i odpowiedź na leczenie, korzystając z najnowocześniejszej wiedzy zdobytej w ostatniej dekadzie? W jaki sposób tak rozległa wiedza może być użyteczna i stosowana w praktyce klinicznej? W ramach tego projektu badacze proponują rozwiązanie tych wyzwań, opracowując narzędzie programowe, które integruje dostępne dane kliniczne, biologiczne, genetyczne i obrazowe w celu przewidywania diagnozy i wyników leczenia nowych pacjentów.

Platforma wspomagania decyzji będzie wykorzystywać sztuczną inteligencję, w szczególności techniki uczenia maszynowego, które będą „trenowane” za pomocą danych w celu przewidywania kategorii, do której należy nowa obserwacja. W ten sposób istniejące i nowo pozyskane multimodalne zbiory danych dotyczące pacjentów z chorobą afektywną dwubiegunową i jednobiegunową zostaną przekształcone w predyktory umożliwiające spersonalizowaną diagnostykę i rokowanie pacjentów.

Projekt może mieć ogromny wpływ na środowisko psychiatryczne i system opieki zdrowotnej. Identyfikacja prognostycznych biomarkerów UD i ChAD zapewni podstawowe narzędzie we wczesnych stadiach choroby, zapewniając dokładną diagnozę, poprawiając rokowanie i ograniczając koszty opieki zdrowotnej.

Badacze zwerbują 80 pacjentów z chorobą afektywną dwubiegunową, 80 pacjentów z chorobą afektywną dwubiegunową i 80 zdrowych osób z grupy kontrolnej do badania MRI. Dane kliniczne, genetyczne i zapalne zostaną pozyskane od wszystkich podmiotów.

Zostaną uzyskane następujące dane: wiek, płeć, liczba epizodów, nawrót, wiek zachorowania, psychoza w ciągu całego życia, zażyłość z ChAD lub UD, pokusa samobójcza, leki, wyniki w HDRS, Inwentarz Depresji Becka i bateria BACS.

Rezonans magnetyczny zostanie wykonany na skanerach o mocy 3,0 Tesli. Akwizycje MRI obejmą SE EPI DTI, T1-zależne sekwencje 3D MPRAGE i fMRI podczas stanu spoczynku oraz paradygmat dopasowywania twarzy, który wcześniej pozwalał na określenie łączności w zaburzeniach nastroju.

Zostaną pobrane próbki krwi, a osocze zostanie pobrane i będzie przechowywane w -80. Cytokiny pro- i przeciwzapalne będą mierzone przy użyciu ludzkiego cytokiny Bioplex 27-plex.

Powiązane warianty genetyczne rozważane w diagnostyce różnicowej zostaną ocenione przy użyciu Infinium PsychArray-24 BeadChip. Ta niedroga mikromacierz o dużej gęstości została opracowana we współpracy z Psychiatric Genomics Consortium do wielkoskalowych badań genetycznych skupiających się na predyspozycjach i ryzyku psychiatrycznym.

Znaczenie pojedynczych cech klinicznych, genetycznych, molekularnych i obrazowych jako sygnatur zaburzeń afektywnych dwubiegunowych i jednobiegunowych zostanie ocenione na podstawie najnowocześniejszej literatury i oszacowane na podstawie niezależnego już istniejącego zestawu danych (30 osób na grupę). Ogólne analizy modelu liniowego, po których nastąpią dwustronne testy t, zostaną wykorzystane do określenia, czy każdy parametr znacząco różni się między grupami, przy jednoczesnym usunięciu udziału wieku, płci, długości choroby i innych czynników zakłócających.

Algorytm uczenia się wielu jąder (MKL) będzie projektował funkcje wielu źródeł do przestrzeni wielowymiarowej, w której trzy grupy przedmiotowe będą maksymalnie rozdzielone. Wybrane funkcje będą używane zarówno osobno, jak iw połączeniu. Uciążliwe skutki wieku, płci, długości choroby i systemu MRI zostaną skorygowane podczas fazy szkoleniowej algorytmu. Klasyfikator MKL zostanie przetestowany przy użyciu k-krotnie zagnieżdżonej strategii walidacji krzyżowej z dostrajaniem hiperparametrów. Zbiór danych szkoleniowych jest już udostępniony i obejmuje około 550 osób.

Architektura oprogramowania zostanie zaprojektowana w środowisku Matlab poprzez integrację ilościowych metod obrazowania, algorytmu uczenia maszynowego i analiz statystycznych jako osobnych modułów w przyjaznym dla użytkownika interfejsie, co ułatwi współdzielenie zasobów obliczeniowych w społeczności klinicznej.