Die digitale sowie multimodale Datenerhebung könnte es in der Zukunft erlauben, eine präzisere Prädiktion individueller Erkrankungsrisiken zu ermöglichen. Herr Dr. Pavol Mikolas aus dem Universitätsklinikum Dresden wird zum Potenzial der Nutzung von Bildgebungsmarkern zur Verbesserung der Prädiktion der Entwicklung bipolarer Störungen referieren und dazu auf Daten der prospektiven, multizentrischen Studie „Early-BipoLife“ mit Risikopersonen für diese Erkrankung zurückgreifen. Herr Dr. Emanuel Schwarz aus dem ZI Mannheim wird seine Expertise zur Nutzung multimodaler genetisch-neuronaler Signaturen für eine diagnose-übergreifende Rekonstruktion psychotischer Störungen referieren, welche das Ziel verfolgt, eine verbesserte, biologisch basierte und therapierelevante Taxonomie zu entwickeln.
Die digitale Datenerhebung wird es zudem ermöglichen, zeitnah Risikogruppen für die Entwicklung psychischer Störungen zu identifizieren, um Schwerpunkte für präventive Angebote setzen zu können. Für ein erstes Beispiel wird Herr Prof. Christoph U. Correll von der Charité Berlin über Analysen und Erfahrungen aus der von ihm geleiteten, weltweit größten internationalen Studie „COH-FIT“ zu körperlichen und seelischen Auswirkungen der COVID-19-Pandemie referieren.
Machine Learning: Nutzung von Biomarker-Information aus der Bildgebung, um die Prädiktion der Entwicklung bipolarer Störungen zu verbessern
Pavol Mikolas, Dresden (Germany)
Details anzeigen
Autor:in:
Pavol Mikolas, Dresden (Germany)
Bei bipolaren Störungen kommt der Früherkennung eine besondere Rolle zu, da die richtige Diagnosestellung mithilfe von aktuellen diagnostischen Ansätzen erst durchschnittlich 8.7 – 12.4 Jahre nach Auftreten der ersten Symptome erfolgt und dies mit einem hohen Risiko für Fehlbehandlung mit möglichen gravierenden Konsequenzen für die Patienten einhergeht. Kombination von maschinellem Lernen und multizentrischen Studien ermöglichte individualisierte Prädiktionen für Diagnostik, Prognose und Therapieresponse. Für verschiedene psychiatrische Erkrankungen wurden Genauigkeiten von 58.67 % bis 85.9 % erreicht. Unserer besten Kenntnis nach wurden keine multizentrischen machine-learning-Studien zur Risikoprädiktion für bipolare Störungen durchgeführt. Unsere erste Auswertung von strukturellen Magnetresonanztomografie-(sMRT)Daten aus der multizentrischen BipoLife Studie weist darauf hin, dass sich der ventrolaterale präfrontale Kortex bei hilfesuchenden Probanden mit erhöhtem Risiko, ähnlich wie bei Patienten mit manifesten bipolaren Erkrankungen, dünner darstellt. Im nächsten Ansatz werden wir einen linearen Support-Vector-Machine-Klassifikator trainieren, um hilfesuchende Probanden (N = 263) aus 7 Studienzentren anhand der kortikalen Dicke nach Risikogruppe zu stratifizieren. Wir werden die sMRT-Daten vom gesamten Gehirn mit der Freesurfer 6 Software prozessieren und anhand des Desikan-Killiany parzellieren. Das Risiko werden wir anhand von verfügbaren Risikoinstrumenten für die Früherkennung von bipolaren Störungen bestimmen (BARS, BPSS-P und EPIBipolar). Im Gegensatz zu monozentrischen Studien werden wir den Klassifikator nicht nur trainieren, sondern ihn auf „ungesehene“ Daten aus einem anderen Studienzentrum zu validieren. Hier stellen wir die ersten Ergebnisse unserer proof-of-concept Analyse für das potenzielle Nutzen struktureller MRT-Daten zur individualisierten Risikoprädiktion bei hilfesuchenden Probanden vor.