Биологический признак ранней дифференциальной диагностики психозов

Шизофрения (СЗ) и расстройства настроения (БР, БДР) относятся к числу наиболее инвалидизирующих расстройств во всем мире и несут соответствующее социальное, функциональное и экономическое бремя. Хотя они идентифицируются как отдельные расстройства, потенциальная перекрывающаяся симптоматика создает важные проблемы для дифференциальной диагностики. Последовательная литература подтверждает, что структура и функции мозга отражают промежуточный фенотип лежащей в основе генетической уязвимости к расстройствам, сформированный взаимодействием с опытом окружающей среды. К таким переживаниям относятся стресс и травмы в раннем возрасте, которые, по-видимому, характерны для психиатрических пациентов и связаны с аномалиями головного мозга. Кроме того, ранний жизненный опыт был связан с воспалением в субпопуляции психиатрических пациентов. Однако различия в визуализации, воспалении и генетических группах, хотя и постоянные, не влияют на клиническую практику, поскольку они не были преобразованы в индивидуальный прогноз. Для решения этих проблем в быстро растущем объеме научной литературы применяются вычислительные методы, такие как машинное обучение (ML). В этом проекте мы разработаем передовые алгоритмы машинного обучения для прогнозирования дифференциальной диагностики между расстройствами настроения и СЗ на основе генетических, нейровизуализационных, воспалительных и экологических данных в уникальной когорте из 1850 пациентов и 1000 здоровых людей из контрольной группы, набранных в 4 различных центрах Италии. Проект будет направлен на достижение трех различных целей: в цели 1 мы разработаем алгоритмы для дифференциальной диагностики между СЗ и МД, сочетая мультимодальную нейровизуализацию и генетические данные; в цели 2 мы прогнозируем дифференциальный диагноз между СЗ и МД на основе иммуновоспалительных и экологических данных; наконец, с третьей целью мы будем использовать модель животных, чтобы выявить основные механизмы изменений мозга, связанных с воздействием стресса в раннем возрасте. Анализ машинного обучения будет включать в себя алгоритмы гармонизации данных и уменьшения признаков, а также создания нормативных моделей. Окончательно. различные классифицирующие модели будут сравниваться с учетом конкретных особенностей для достижения наилучших результатов. Определение надежных и объективных биомаркеров в сочетании с передовой вычислительной методологией может помочь клиницистам в предоставлении более точных диагнозов и ранних вмешательств, а также с учетом многомерных конструкций и факторов. влияние на такие результаты, как аффективный или неаффективный психоз и широта воздействия травматических событий.