Präzisionspsychiatrie in der klinischen Praxis am Beispiel von Transition und psychosozialer Funktionsbeeinträchtigung in klinischen Hochrisikopatienten für Psychose

ZUSAMMENFASSUNG

Der Ansatz der Präzisionspsychiatrie versucht durch therapeutische Maßnahmen, die auf die individuellen Bedürfnisse zu behandelnder Personen zugeschnitten sind, psychiatrische Erkrankungen zu verhindern oder deren Krankheitsverläufe abzumildern, wodurch sich die klinische Versorgungslandschaft nachhaltig verbessern ließe. Durch Mustererkennung und -vorhersage soll die Künstliche Intelligenz bei der Verarbeitung komplexer klinischer Daten gewinnbringend eingesetzt werden. Durch die zunehmende Verfügbarkeit großer klinischer Datensätze über die vergangene Dekade, konnten beispielsweise im Forschungsbereich psychotischer Erkrankungen vermehrt computergestützte Modelle zur Verbesserung der Diagnostik, einschließlich einer individuellen Risikoeinschätzung, herausgearbeitet werden. So könnten zielgerichtete Präventionen und Interventionen zeitlich deutlich vorverlagert werden.

Vorhergehende Studien zeigten, dass junge (d. h. unter 32 Jahren) Depressionspatienten eine beschleunigte Hirnalterung vorweisen, die Schizophreniepatienten neuroanatomisch ähnelt. Innerhalb der Personalized Prognostic Tools for Early Psychosis Management (PRONIA) Studie wurden mithilfe von den dort erhobenen klinischen, neurokognitiven, genomischen und neurobildgebenden Daten Klassifikatoren entwickelt, um das Transitionsrisiko zu Psychose und die psychosoziale Funktionsbeeinträchtigung in klinischen Hochrisikopatienten für Psychose und bei Patienten mit kürzlich aufgetretener Depression vorherzusagen. Vielmehr wurden kybernetische Klassifikatoren entwickelt, die neben Modellen mit verschiedenen Datenmodalitäten (d. h. klinisch-neurokognitiv, genomisch, bildgebend) die Vorhersage der Kliniker einschließen. Diese Metaklassifikatoren, die alle algorithmischen Modelle und die klinische Vorhersage einschlossen, waren sowohl den rein algorithmischen als auch den rein klinischen Prognosen überlegen. Dabei ist eine sequenzielle Integration des kybernetischen Modells in die klinische Praxis realistischer als eine umfassende multimodale Biomarkererfassung. Zurzeit wird mithilfe der multizentrischen Studie CARE die Anwendbarkeit des Metaklassifikators in die klinische Praxis evaluiert.

ABSTRACT

The precision psychiatry approach seeks to prevent psychiatric disorders or mitigate their progression through therapeutic interventions tailored to the individual needs of help-seeking patients, improving mental health care. Through pattern recognition and prediction, artificial intelligence can help process complex clinical data. For example, with the increasing availability of large clinical datasets over the past decade, the research area of psychotic disorders witnessed a growing body of computer-based models to improve diagnosis, including individual risk assessment, which could significantly improve targeted early prevention and intervention strategies.

Previous studies revealed that young (i. e., under 32 years of age) depressive patients exhibit accelerated brain aging, which is similar to schizophrenia patients at the neuroanatomical level. Within the scope of the Personalized Prognostic Tools for Early Psychosis Management (PRONIA) study, classifiers were developed to predict transition risk to psychosis and psychosocial functioning impairment in clinical high-risk patients for psychosis and in those with recent onset depression using clinical, neurocognitive, genomic, and neuroimaging data. Moreover, cybernetic classifiers, which include the prediction of a clinician in addition to algorithmic models with different data modalities (i. e. clinical neurocognitive, genomic, neuroimaging) were developed. These meta-classifiers, which included all prediction models and the clinical prognosis, outperformed both pure algorithmic and pure clinical predictions. Thereby, a sequential integration of the cybernetic model into clinical practice is more realistic than a full multimodal biomarker collection. Currently, the usefulness of the meta-classifiers for clinical practice is evaluated in the multi-centric study CARE.

Schlüsselwörter

Präzisionspsychiatrie - Psychose - maschinelles Lernen

Key words

Precision psychiatry - psychosis - machine learning

Publikationsverlauf

Artikel online veröffentlicht:
04. September 2023

• Literatur

• 1 Harrison JE, Weber S, Jakob R. et al ICD-11: an international classification of diseases for the twenty-first century. BMC Med Inform Decis Mak 2021; 21 (06) 1-10
• 2 American Psychiatric Association D, Association AP Diagnostic and statistical manual of mental disorders: DSM-5. Washington, DC: American psychiatric association; 2013
• 3 Larsen TK, Melle I, Auestad B. et al Early detection of psychosis: positive effects on 5-year outcome. Psychol Med 2011; 41 (07) 1461-9
• 4 Lieberman JA, Perkins D, Belger A. et al The early stages of schizophrenia: speculations on pathogenesis, pathophysiology, and therapeutic approaches. Biol Psychiatry 2001; 50 (11) 884-97
• 5 Nelson B, Yuen HP, Wood SJ. et al Long-term follow-up of a group at ultra high risk (“prodromal”) for psychosis: the PACE 400 study. JAMA Psychiatry 2013; 70 (08) 793-802
• 6 Ruhrmann S, Schultze-Lutter F, Salokangas RK. et al Prediction of psychosis in adolescents and young adults at high risk: results from the prospective European prediction of psychosis study. Arch Gen Psychiatry 2010; 67 (03) 241-51
• 7 Tognin S, van Hell HH, Merritt K. et al Towards precision medicine in psychosis: benefits and challenges of multimodal multicenter studies – PSYSCAN: translating neuroimaging findings from research into clinical practice. Schizophr Bull 2020; 46 (02) 432-41
• 8 Addington J, Liu L, Buchy L. et al North American prodrome longitudinal study (NAPLS 2): the prodromal symptoms. J Nerv Ment Dis 2015; 203 (05) 328
• 9 Koutsouleris N, Kambeitz-Ilankovic L, Ruhrmann S. et al Prediction models of functional outcomes for individuals in the clinical high-risk state for psychosis or with recent-onset depression: a multimodal, multisite machine learning analysis. JAMA Psychiatry 2018; 75 (11) 1156-72
• 10 Solmi M, Radua J, Olivola M. et al Age at onset of mental disorders worldwide: large-scale meta-analysis of 192 epidemiological studies. Mol Psychiatry 2022; 27 (01) 281-95
• 11 Van Der Gaag M, Smit F, Bechdolf A. et al Preventing a first episode of psychosis: meta-analysis of randomized controlled prevention trials of 12 month and longer-term follow-ups. Schizophr Res 2013; 149 1–3 56-62
• 12 Gogtay N, Thompson PM. Mapping gray matter development: implications for typical development and vulnerability to psychopathology. Brain Cogn 2010; 72 (01) 6-15
• 13 Huber G, Gross G, Schüttler R. et al Longitudinal studies of schizophrenic patients. Schizophr Bull 1980; 06 (04) 592
• 14 Koutsouleris N, Davatzikos C, Borgwardt S. et al Accelerated brain aging in schizophrenia and beyond: a neuroanatomical marker of psychiatric disorders. Schizophr Bull 2014; 40 (05) 1140-53
• 15 Koutsouleris N, Meisenzahl EM, Borgwardt S. et al Individualized differential diagnosis of schizophrenia and mood disorders using neuroanatomical biomarkers. Brain 2015; 138 (07) 2059-73
• 16 Koutsouleris N, Dwyer DB, Degenhardt F. et al Multimodal machine learning workflows for prediction of psychosis in patients with clinical high-risk syndromes and recent-onset depression. JAMA Psychiatry 2021; 78 (02) 195-209
• 17 Koutsouleris N, Hauser TU, Skvortsova V. et al From promise to practice: towards the realisation of AI-informed mental health care. Lancet Digit Health 2022; 04 (11) e829-40