Von Brain & Behavior Staff
Die Forscher machen weiterhin Fortschritte bei der Suche nach biologischen Markern für psychische Erkrankungen. Es wird allgemein erwartet, dass solche Marker, wenn sie wissenschaftlich validiert werden können, die Diagnose und die Risikobewertung objektiver machen.
Ein großes internationales Team, angeführt von BBRF Independent Investigator (2015) und Young Investigator (2007), Tomas Hajek (2007), von der Dalhousie-Universität in Halifax, Nova Scotia, hat ermutigende Ergebnisse der Bemühungen zur Verwendung von Methoden des maschinellen Lernens gemeldet diagnostische Marker der bipolaren Störung. Die Ergebnisse basieren auf Informationen, die mittels MRI-Gehirnbildgebung gewonnen wurden. Der Bericht erschien am 31. August 2018 in der Molekularen Psychiatrie.
Zurzeit basiert die Diagnose aller psychischen Erkrankungen weiterhin auf beobachteten und gemeldeten Patientensymptomen. Bipolare Störungen stellen eine besondere diagnostische Herausforderung dar, da sie sich in vielen Fällen zunächst als Depression manifestiert. Ein kleiner Prozentsatz der depressiven Menschen wird zu einem späteren Zeitpunkt eine so manische Episode erleben, die von Symptomen gekennzeichnet ist, die sich scheinbar diametral zu den Depressionen widersprechen: ein hoher Erregungszustand, eine große Energie, ein reduziertes Schlafbedürfnis und eine Tendenz vorschnelle und impulsive Entscheidungen zu treffen. Diese Patientengruppe hat eine bipolare Störung.
Die diagnostische Aufgabe wird durch die Tatsache, dass die bipolare Störung als “heterogen” bezeichnet wird, noch komplizierter. Dies bedeutet, dass es mehrere Subtypen mit unterschiedlichen Symptommustern und zugrunde liegender Neurobiologie gibt. Daher wäre es für Ärzte und Patienten gleichermaßen sehr hilfreich, die Diagnose auf objektive biologische Maßnahmen zu gründen, wie zum Beispiel die Bildgebung des Gehirns.
Dr. Hajek und seine Kollegen wollten herausfinden, ob MRI-Bilddaten eine Reihe biologischer Eigenschaften im Gehirn aufzeigen könnten, die bei den meisten Patienten auf eine bipolare Störung hindeuten. Um das Konzept zu testen, brachte das Team MRT-Scans von insgesamt 853 Patienten mit bipolarer Störung und 2.167 Kontrollen zusammen. Diese Probanden waren Teil eines Datensatzes in einem Projekt mit dem Namen ENIGMA, das Patienteninformationen von verschiedenen Standorten ausgesucht hat, um große Proben zu bilden. Um effektiv Methoden des maschinellen Lernens anwenden zu können, sind große Stichproben erforderlich, bei denen Computer sich selbst trainieren, um in diesem Fall Aspekte der Gehirnanatomie zu identifizieren, die mit einer bipolaren Störung korrelieren. Zu diesem Zweck wurden bisher keine Proben vergleichbarer Größe zusammengestellt.
Angesichts der Variabilität der Krankheit und der Tatsache, dass Patienten für diese Studie an 13 verschiedenen Standorten ohne jegliche Koordination rekrutiert wurden, waren die Forscher zunächst zweifelhaft, dass sie Patienten von Kontrollen unterscheiden könnten, die auf der Gehirnstruktur basieren. Sie sind jedoch mit biologischen Parametern aus den MRI-Scans hervorgegangen, um Patienten mit bipolarer Störung mit einer Genauigkeit von etwa 65% zu identifizieren. “Diese Ergebnisse liefern einen Proof-of-Concept für eine verallgemeinerbare Hirn-Imaging-Signatur einer bipolaren Störung, die bei einzelnen Probanden auch innerhalb einer großen Stichprobe mit mehreren Standorten nachgewiesen werden kann”, stellte das Team fest. “Der Versuch, Patienten von Kontrollen zu unterscheiden, ist der erste Schritt, bevor sie zu klinisch relevanteren Problemen wie etwa der Differentialdiagnose übergeht” – fügte sie hinzu, sie könne zwischen verschiedenen psychiatrischen Erkrankungen mit ähnlichen Manifestationen unterscheiden.
Um als klinisches Diagnosewerkzeug zu dienen, muss maschinelles Lernen eine diagnostische Genauigkeit von mindestens 80% generieren. Durch den Zugriff auf die eigentlichen MRT-Aufnahmen, nicht nur auf Informationen über bestimmte Hirnregionen, könnte sich die Leistung erheblich verbessern, sagte Dr. Hajek. Derzeit führt das Teilen der vollständigen Scans jedoch zu Komplikationen in Bezug auf den Datenschutz und die Privatsphäre der Patienten.
Weitere BBRF-Stipendiaten, die an der Forschung teilnahmen, waren: Geraldo Busato, Ph.D., 2010 Independent Investigator; Dara Cannon, Ph.D., 2006, 2004 Young Investigator; Janice Fullerton, Ph.D., Nachwuchsforscherin 2007; David Glahn, Ph.D., Unabhängiger Ermittler 2014, 2003, 2005 Junger Ermittler; Roshel Lenroot, MD, 2003 junger Ermittler; Colm McDonald, Ph.D., 2009 Unabhängiger Ermittler, 2002 Junger Ermittler; Theodore Satterthwaite, MD, 2014 Klerman-Preisträger, Nachwuchsforscher 2010; Jair Soares, MD, 1999, 1997 Young Investigator; und Eduard Vieta, MD, Colvin-Preisträger 2012.