Biologiczny podpis dla wczesnej diagnostyki różnicowej psychozy

Schizofrenia (SZ) i zaburzenia nastroju (BD, MDD) należą do chorób najbardziej powodujących niepełnosprawność na świecie i stanowią istotne obciążenie społeczne, funkcjonalne i ekonomiczne. Chociaż są one identyfikowane jako odrębne zaburzenia, potencjalne nakładanie się symptomatologii stwarza istotne wyzwania w diagnostyce różnicowej. Spójna literatura potwierdza, że ​​struktura i funkcja mózgu odzwierciedlają pośredni fenotyp leżącej u podstaw genetycznej podatności na zaburzenia, kształtowanej przez interakcję z doświadczeniami środowiskowymi. Takie doświadczenia obejmują stres i traumę na początku życia, które wydają się charakteryzować pacjentów psychiatrycznych i są powiązane z nieprawidłowościami w mózgu. Co więcej, doświadczenia z wczesnego życia są powiązane ze stanem zapalnym w subpopulacji pacjentów psychiatrycznych. Jednakże różnice w obrazowaniu, zapaleniu i genetyce na poziomie grupy, choć spójne, nie mają wpływu na praktykę kliniczną, ponieważ nie zostały przełożone na indywidualne przewidywania. Aby rozwiązać te problemy, w szybko rosnącej literaturze naukowej wprowadzono techniki obliczeniowe, takie jak uczenie maszynowe (ML). W ramach tego projektu opracujemy najnowocześniejsze algorytmy ML w celu przewidywania diagnostyki różnicowej między zaburzeniami nastroju a SZ na podstawie danych genetycznych, neuroobrazowych, zapalnych i środowiskowych w unikalnej kohorcie 1850 pacjentów i 1000 zdrowych osób z grupy kontrolnej rekrutowanych w 4 różnych ośrodkach we Włoszech. Projekt będzie miał trzy różne cele: w celu 1 opracujemy algorytmy do diagnostyki różnicowej pomiędzy SZ i MD, łącząc multimodalne neuroobrazowanie i dane genetyczne; w celu 2 przewidzimy diagnostykę różnicową pomiędzy SZ i MD na podstawie danych immunozapalnych i środowiskowych; wreszcie w ramach celu trzeciego wykorzystamy model zwierzęcy, aby zidentyfikować mechanizmy leżące u podstaw zmian w mózgu związanych z narażeniem na stres we wczesnym okresie życia. Analizy uczenia maszynowego obejmą algorytmy harmonizacji danych i redukcji cech, a także generowania modeli normatywnych. Wreszcie. różne modele klasyfikacyjne zostaną porównane pod kątem specyficznych cech, aby osiągnąć najlepszą wydajność. Definicja wiarygodnych i obiektywnych biomarkerów w połączeniu z najnowocześniejszą metodologią obliczeniową może pomóc klinicystom w zapewnianiu bardziej precyzyjnych diagnoz i wczesnych interwencji, również z uwzględnieniem konstrukcji i czynników wymiarowych wpływając na takie wyniki, jak psychoza afektywna i nieafektywna oraz zakres narażenia na traumatyczne wydarzenia