Machine Learning-basierte Optimierung von Diagnose, Behandlung und ambulantem Patientenmanagement bei Patienten mit Depressiver und Bipolarer Störung

Grunddaten zu diesem Projekt

Beschreibung

Depressive Patienten (MDD) und Patienten mit Bipolarer Störung (BD) stellen Kliniker in der Praxis vor vielfältige Herausforderungen – von der Bestimmung einer zeitnahen und korrekten Diagnose über die Ableitung einer optimalen Behandlungsstrategie bis hin zum ambulanten Management zur Rückfallprophylaxe. Vor diesem Hintergrund werden wir aktuelle Fortschritte im Bereich der Prädiktiven Analytik nutzen, um Machine Learning Algorithmen zu entwickeln, welche drei zentrale, klinische Ziele im Bereich affektiver Störungen direkt adressieren. Unser Ziel ist es, diagnostische Unterstützungsmodelle zu entwickeln, die 1) MDD- und BD-Patienten unterscheiden können, 2) individuelles Ansprechen auf Elektrokonvulsionstherapie (EKT) bei MDD-Patienten vorhersagen und 3) dynamische Echtzeit-Rückfallrisiko-Vorhersage basierend auf Smartphone-Daten ermöglichen. Zu diesem Zweck werden wir einen Ansatz entwickeln, welcher ein Deep Learning-Verfahren für automatisiertes Feature-Engineering verwendet, um Hirnbildgebungsdaten auf einer niederdimensionalen Mannigfaltigkeit darzustellen. Dies wird nicht nur den Curse of Dimensionality mildern, sondern auch Methoden bereitstellen, die robuster gegenüber Scanner-Standorten und Erfassungsprotokollen sind, sodass die Konstruktion verbesserter Multi-Center-Modelle ermöglicht wird. Darüber hinaus werden wir moderne Datenintegrationsverfahren verwenden, um genetische, psychometrische und Bildgebungs-Daten zu verschmelzen, um eine MDD vs. BD-Klassifikation, sowie eine EKT-Therapieresponse-Vorhersage zu ermöglichen. Die Konstruktion eines multimodalen Modells, das die drei am stärksten untersuchten Datenquellen in der Forschung zu affektiven Störungen umfasst, wird zudem erstmals empirische Belege in großen Stichproben für die Frage liefern, inwieweit die Kombination von Patientenmerkmalen die Modellgüte verbessert. Schließlich werden wir einen Ansatz zur Echtzeit-Rückfallprädiktion basierend auf Smartphone-Daten entwickeln, indem wir das Rückfallrisiko 1) als eine Abweichung von den während symptomfreier Phasen vorliegenden Mustern und 2) als einen kritischen Übergang im Sinne Komplexer Dynamischer Systeme konzeptualisieren. Aufbauend auf bereits verfügbaren multimodalen Neuroimaging, genetischen und psychometrischen Daten (insgesamt N > 41.000), sowie auf einem Smartphone-basierten Datensatz, der derzeit in einem assoziierten Multicenter-Projekt (insgesamt N>2.000) erhoben wird, fokussiert sich das dargestellte Vorhaben voll auf die Entwicklung neuer Machine Learning Ansätze, sowie auf die Konstruktion prädiktiver Modellen mit direkter Relevanz für die klinische Praxis. Die Kombination einiger der größten aktuell verfügbaren Datensätze mit leistungsstarken Lernalgorithmen, eröffnet die einzigartige Möglichkeit, in diesem Projekt Translationsbemühungen in der Psychiatrie zu katalysieren und so erste klinische Anwendungen im Bereich affektiver Störungen zu generieren.