Startseite » Forschung » Forschungsfelder » Prädiktive Psychiatrie

Leitung

Prof. Dr. Nikolaos Koutsouleris  

Mitarbeiter

Dr. Lana Kambeitz-Ilankovic, Dr. Joseph KambeitzDr. David PopovicÖmer Faruk Öztürk MSc,

Dr. Dominic DwyerDr. Anne RuefMaria Fernanda Urquijo MScNora Penzel MScRachele Sanfelici MSc

Shalaila Haas MScPedro Costa Klein MScMark Sen MScJohanna Weiske MSc, cand. med., Julian Wenzel MScSusanne Miedl


Seit einigen Jahren ist eine rasante Entwicklung computergestützter diagnostischer und prognostischer Verfahren in der Medizin zu beobachten. Selbstlernende Algorithmen werden zunehmend eingesetzt um aus großen und komplexen Datenbanken Muster zu extrahieren, die im Gegensatz zu früher nicht mehr nur Unterschiede zwischen Patientengruppen oder Assoziationen zwischen verschiedenen klinisch-relevanten Merkmalen beschreiben, sondern für die Vorhersage von individuellen Erkrankungsverläufen eingesetzt werden können. Hierdurch ergeben sich ganz neue Möglichkeiten einer Personalisierung in der Medizin, die es erlauben dem individuellen Risiko- und Ressourcenprofil des einzelnen Patienten in der Therapieplanung wesentlich besser gerecht zu werden als bisher. 

Diese Entwicklungen haben ganz besonders in der Psychiatrie zu neuen biomarker-basierten Forschungsansätzen geführt, die es sich zum Ziel gesetzt haben, das individuelle Risiko für die Entstehung psychiatrischer Erkrankungen bereits in den Vor- und Frühstadien korrekt einzuschätzen und mit Hilfe dieser genaueren und früheren Prognosestellung präventive Interventionen einzuleiten. Die prädiktive Psychiatrie ist über eine verbesserte Früherkennung psychischer Erkrankungen hinaus bemüht, klinische und biologische Modelle für eine bessere Vorhersage des individuellen und differenziellen Therapieansprechens zu entwickeln. Hierbei werden mit Hilfe von Mustererkennung Signaturen aus klinischen, neuropsychologischen, bildgebungs-basierten und ggf. genetischen Daten gewonnen, die - auf den einzelnen Patienten angewandt – zu einer quantitativen Einschätzung erwünschter und unerwünschter Arzneimitteleffekte verwendet werden können. Sollten sich diese experimentellen Verfahren in den nächsten Jahren als robust und replizierbar erweisen, bestünde die Möglichkeit die für den individuellen Patienten möglichst effektive und nebenwirkungsarme Kombination therapeutischer Verfahren zusammenzustellen.

Die Sektion für Neurodiagnostische Verfahren an der Klinik für Psychiatrie und Psychotherapie der LMU verfolgt diese Forschungsansätze seit 2008 und hat diesbezüglich wichtige wissenschaftliche Beiträge im Bereich der Früherkennung psychotischer Erkrankungen, der Differenzialdiagnostik affektiver und nichtaffektiver Psychosen und der Modellierung des Ansprechens auf Antipsychotika und Hirnstimulationsverfahren vorgelegt.

Unter der folgenden Links können Sie mehr über unsere aktuell laufenden Projekte erfahren:

Neurodiagnostische Verfahren


Literatur:

  1. Koutsouleris N, Meisenzahl EM, Davatzikos C, Bottlender R, Frodl T, Scheuerecker J, Schmitt G, Zetzsche T, Decker P, Reiser M, Möller HJ, Gaser C. Use of neuroanatomical pattern classification to identify subjects in at-risk mental states of psychosis and predict disease transition. Archives of General Psychiatry. 2009; 66(7):700-12
  2. Koutsouleris N, Meisenzahl EM, Borgwardt S, Riecher-Rössler A, Frodl T, Kambeitz J, Köhler Y, Falkai P, Möller H.-J., Reiser M, Davatzikos C. Individualized differential diagnosis of schizophrenia and mood disorders using neuroanatomical biomarkers. Brain. 2015 Jul;138(Pt 7):2059-73.
  3. Hasan A, Wobrock T, Guse B, Langguth B, Landgrebe M, Eichhammer P, Frank E,Cordes J, Wölwer W, Musso F, Winterer G, Gaebel W, Hajak G, Ohmann C, Verde PE, Rietschel M, Ahmed R, Honer WG, Dechent P, Malchow B, Castro MF, Dwyer D, Cabral C, Kreuzer PM, Poeppl TB, Schneider-Axmann T, Falkai P, Koutsouleris N. Structural brain changes are associated with response of negative symptoms to prefrontal repetitive transcranial magnetic stimulation in patients with schizophrenia. Molecular Psychiatry. 2016 doi: 10.1038/mp.2016.161.
  4. Koutsouleris N, Kahn RS, Chekroud AM, Leucht S, Falkai P, Wobrock T, Derks EM,Fleischhacker WW, Hasan A. Multisite prediction of 4-week and 52-week treatment outcomes in patients with first-episode psychosis: a machine learning approach. Lancet Psychiatry. 2016 Oct;3(10):935-946. doi: 10.1016/S2215-0366(16)30171-7.
  5. Chekroud A and Koutsouleris N. The perilous path from publication to practice. Molecular Psychiatry. 2018 (23), 24-25
  6. Dwyer D and Koutsouleris N.  Machine Learning Approaches for Clinical Psychology and Psychiatry. Annual Reviews of Clinical Psychology, 2018, in press, https://doi.org/10.1146/annurev-clinpsy-032816-045037
  7. Dwyer D, Cabral C, Sanfelici R, Kambeitz-Ilankovic L, Kambeitz J, Calhoun V, Falkai P, Pantelis C, Meisenzahl EM, Koutsouleris N. Brain subtyping enhances the Neuroanatomical Discrimination of Schizophrenia. Schizophrenia Bulletin, 2018, in press, https://doi.org/10.1093/schbul/sby008
  8. Koutsouleris N, Wobrock T, Guse B, …, Hasan A. Predicting Response to Repetitive Transcranial Magnetic Stimulation in Patients With Schizophrenia Using Structural Magnetic Resonance Imaging: A Multisite Machine Learning Analysis, Schizophrenia Bulletin 2017, article in press, https://doi.org/10.1093/schbul/sbx114.
  9. Koutsouleris N, Riecher-Rössler A, Meisenzahl E, Smieskova R, Studerus E, Kambeitz-Ilankovic L, von Saldern S, Cabral C, Reiser M, Falkai P, Borgwardt S. Detecting the psychosis prodrome across high-risk populations using neuroanatomical biomarkers. Schizophrenia Bulletin. 2014, 41(2):471-82.
  10. Koutsouleris N, Davatzikos C, Borgwardt S, Gaser C, Bottlender R, Frodl T, Falkai P, Riecher-Rössler A, Möller HJ, Reiser M, Pantelis C, Meisenzahl E. Accelerated Brain Aging in Schizophrenia and Beyond: A Neuroanatomical Marker of Psychiatric Disorders. Schizophrenia Bulletin. 2014 Sep;40(5):1140-53
  11. Kambeitz J, Kambeitz-Ilankovic L, Leucht S, Wood S, Davatzikos C, Malchow B, Falkai P, Koutsouleris N. Detecting neuroimaging biomarkers for schizophrenia: a meta-analysis of multivariate pattern recognition studies. Neuropsychopharmacology, 2015; 40(7):1742-51