Uma assinatura biológica para o diagnóstico diferencial precoce de psicose

A esquizofrenia (SZ) e os transtornos do humor (TB, TDM) estão entre os transtornos mais incapacitantes em todo o mundo, com uma carga social, funcional e econômica relevante. Embora sejam identificados como distúrbios distintos, a potencial sintomatologia sobreposta impõe desafios importantes para o diagnóstico diferencial. Uma literatura consistente afirma que a estrutura e a função do cérebro refletem um fenótipo intermediário de uma vulnerabilidade genética subjacente aos distúrbios, moldada pela interação com experiências ambientais. Tais experiências incluem estresse e trauma no início da vida, que parecem caracterizar pacientes psiquiátricos e têm sido associados a anomalias cerebrais. Além disso, as experiências iniciais da vida têm sido associadas à inflamação em uma subpopulação de pacientes psiquiátricos. No entanto, as diferenças de imagem, inflamatórias e genéticas em nível de grupo, embora consistentes, não impactam a prática clínica, uma vez que não foram traduzidas em predição individual. Para resolver esses problemas, um corpo de literatura científica em rápido crescimento implementou técnicas computacionais, como o aprendizado de máquina (ML). Neste projeto iremos desenvolver algoritmos de ML de última geração para prever o diagnóstico diferencial entre transtornos de humor e SZ a partir de dados genéticos, de neuroimagem, inflamatórios e ambientais em uma coorte única de 1.850 pacientes e 1.000 controles saudáveis ​​recrutados em 4 centros diferentes na Itália. O projeto abordará três objetivos diferentes: no objetivo 1 desenvolveremos algoritmos para o diagnóstico diferencial entre SZ e MD combinando neuroimagem multimodal e dados genéticos; no objetivo 2 iremos prever o diagnóstico diferencial entre SZ e DM a partir de dados imunoinflamatórios e ambientais; finalmente, com o objetivo três, exploraremos um modelo animal para identificar os mecanismos subjacentes às alterações cerebrais associadas à exposição ao estresse precoce. As análises de aprendizado de máquina incluirão algoritmos para harmonização de dados e redução de recursos, bem como para geração de modelos normativos. Finalmente. diferentes modelos de classificação serão comparados considerando as características específicas para alcançar o melhor desempenho. A definição de biomarcadores confiáveis ​​e objetivos, combinada com metodologia computacional de ponta, poderá ajudar os médicos a fornecer diagnósticos mais precisos e intervenções precoces, considerando também construtos e fatores dimensionais influenciando resultados como psicose afetiva versus não afetiva e amplitude de exposição a eventos traumáticos