Psychotische Erkrankungen wie die Schizophrenie oder die bipolare Störung gehören zu den schwersten psychischen Störungen und stellen eine massive klinische Herausforderung und eine erhebliche Belastung für das Gesundheitswesen dar. Die Diagnose dieser Erkrankung beruht auf klinischen Kriterien und berücksichtigt die zugrunde liegende Biologie nicht ausreichend. Patienten werden trotz der Heterogenität in klinischen Verläufen, dem Ansprechen auf Therapie und dem Auftreten von somatischen Komorbiditäten wie der Typ-2-Diabetes, kardiovaskulären Erkrankungen oder neurodegenerativen Prozessen, zumeist durch einen "one-fits-all" Ansatz behandelt. Biologische Hilfsmittel zur Stratifikation von Patienten mit psychotischen Erkrankungen und zur Identifikation der biologischen Grundlagen somatischer Komorbidität werden dringend benötigt. Dies wird eine verbesserte klinische Differenzierung von psychotischen Erkrankungen, sowie die Entwicklung neuer interventioneller, auf die Minimierung des Komorbiditäts-Risikos ausgerichteter, Strategien ermöglichen. Dafür wird COMMITMENT Stratifikations-Ansätze, die in der Onkologie bereits erfolgreich eingesetzt wurden, erweitern, um psychotische Erkrankungen zu stratifizieren. Zudem wird in COMMITMENT die Vorhersagekraft der zugrunde liegenden biologischen Profile für den Krankheitsverlauf, das Therapie-Ansprechen und das Auftreten von Komorbidität in frühen Krankheitsphasen getestet. Das Zentralinsitut für Seelische Gesundheit übernimmt dabei die Aufgabe, eine IT-Lösung zu implementieren, die die Anwendung von maschinellem Lernen auf verteilten Datenbanken ermöglicht, um so Komorbiditäts-Signaturen zu identifizieren. Damit schafft COMMITMENT die Grundlage für biologische Hilfsmittel, die eine verbesserte, personalisierte Behandlung von Patienten mit psychotischen Erkrankungen erlauben.

Das Ziel des Forschungsvorhabens "COMMITMENT" ist die Identifizierung von Sub-Gruppen von psychotischen Patienten, die durch die gleichen Krankheitsmechanismen gekennzeichnet sind. Die Hoffnung im Bereich der Therapie ist, dass eine solche Unterscheidung ("Stratifizierung") eine sehr viel stärker an den Ursachen orientierte, "zielgerichtete" Behandlung zulässt. Im Projekt COMMITMENT sollen die in der Tumorbiologie gewonnenen Einsichten und hier speziell die Strategien bei der Modellierung und Interpretation von Krankheitsmechanismen nutzen, um die Stratifizierung von Patienten mit Psychosen zu verbessern. Als Angriffspunkt für die Mechanismus-basierte Stratifizierung von Patienten mit Psychosen dienen die "Co-Morbiditäten", die solche Patienten aufweisen: Co-Morbiditäten sind in diesem Fall Krankheitsbilder, die mit einer Psychose einhergehen und darauf hinweisen, dass die Psychose Ausdruck einer weitergehenden Störung in der Physiologie der betroffenen Zellen, Gewebe und Organe sein könnten. Partner FRAUNHOFER übernimmt im Projekt das Teilprojekt 3 "TP3 –Systems medicine knowledge and mechanisms". In diesem Teilprojekt wird das in der wissenschaftlichen Literatur vorhandene Wissen im Bereich der Psychotischen Erkrankungen und ihrer Co-Morbiditäten (Diabetes; Neurodegenerative Erkrankungen) systematisch gesammelt und in einer Form abgebildet, in der es für maschinelle Lernverfahren in den Arbeitspaketen 4 und 5 nutzbringend eingesetzt werden kann.

Psychotische Störungen, einschließlich Schizophrenie und bipolarer Störungen, gehören zu den schwersten psychischen Erkrankungen, die eine enorme Belastung für die klinische und gesundheitliche Versorgung verursachen. Insbesondere bei Schizophrenie ist die diagnostische Abgrenzung dieser Zustände klinisch definiert, berücksichtigt jedoch die zugrunde liegenden biologischen Prozesse nicht angemessen. Das zentrale Ziel dieses Forschungsvorhabens ist eine bessere Stratifikation von psychotischen Erkrankungen unter Berücksichtigung von klinischen, bildgebenden und molekularen Daten und die Identifikation von biologischen Signaturen dieser Erkrankung. Solche Signaturen werden durch den Beitrag von unterschiedlichen molekularen Größen definiert, wie die Expression von bestimmten Genen, die Konzentration von Metaboliten oder besondere Strukturen aus Bilddaten. Weiterhin wird nach gemeinsamen Mechanismen gesucht, die der Komorbidität mit somatischen Erkrankungen zugrunde liegen. Ein Schwerpunkt des interdiziplinären Projekts ist dabei, die Vorhersagekraft der Signaturen für den Krankheitsverlauf, Behandlungserfolg und das Auftreten von Komorbiditäten in frühen Krankheitsphasen zu untersuchen. Die Health Data Science Unit der Medizinischen Fakultät Heidelberg wird die Erstellung und Validierung von Methoden leiten, um aus multidimensionalen Daten mit heterogenen Daten kombinierte Signaturen zu extrahieren, die dem Vergleich zwischen unterschiedlichen Krankheitsbildern dienen wird. Weiterhin wird die Entwicklung von Verfahren vorangetrieben, um über verteilte Datensätze mit unterschiedlichen Datenabdeckungen Modelle anhand von Transfer Learning Ansätzen zu erstellen. Dazu werden innovative Algorithmen, die bereits in anderen Feldern erfolgreich benutzt wurden weiterentwickelt um effizient über verteilte Datensätze angewendet werden zu können.

Das zentrale Ziel dieses Forschungsvorhabens ist die Stratifikation von psychotischen Erkrankungen und die Identifikation von biologischen Signaturen, die derer Komorbidität mit somatischen Erkrankungen zugrunde liegen. Ein Schwerpunkt des interdisziplinären Projekts ist dabei, die Vorhersagekraft der Komorbiditäts-Signaturen für den Krankheitsverlauf, Behandlungserfolg und das Auftreten von Komorbiditäten in frühen Krankheitsphasen zu untersuchen. Die Ludwig-Maximilians-Universität (LMU) übernimmt dabei 1) die Integration von Kausal- (SP3) und Transferlearning-Ansätzen (SP4) in die komorbiditätsbasierte Stratifikation von Patienten mit psychotischen und affektiven Erkrankungen,  2) die klinische Querschnitts- und Verlaufsanalyse von stratifizierten Patienten, sowie 3) die Erstellung von Prädiktionsmodellen für die identifizierten komorbiditätsbasierten Verläufe.