Verbund

IMPLEMENT – Verbesserung der Personalisierten Medizin in der Psychiatrie durch Techniken des Maschinellen Lernens

Schizophrenie ist eine schwere psychische Erkrankung, die beispielsweise mit Realitätsverlust, Wahnvorstellungen oder Störungen des Denkens, der Sprache und der Gefühlswelt einhergeht. Ein besonderes Problem der Erkrankung sind die sogenannten „Negativsymptome“. Hierzu zählen Konzentrationsschwäche, Nervosität, Schlafstörungen, Antriebsverlust oder Willensschwäche. Trotz einer Behandlung bestehen diese Symptome häufig fort. Bislang versuchen Ärztinnen und Ärzte, diese Symptome durch antipsychotische Medikamente zu lindern. Die Wirksamkeit der verfügbaren Arzneimittel ist jedoch kaum vorhersagbar und häufig müssen viele verschiedene Mittel erprobt werden, was zeitaufwändig, teuer und für Arzt wie Patienten oftmals frustrierend ist. Auch eine andere Behandlung, die sogenannte repetitive Transkranielle Magnetstimulation, schlägt nicht bei jedem Betroffenen an und es ist vorab unklar, wer profitiert und wer nicht.

Der transnationale Verbund IMPLEMENT hat daher zum Ziel, einen neuen Ansatz zur personalisierten Behandlung der Negativsymptomatik bei Schizophrenie zu entwickeln. Hierzu untersuchen die Forschenden verschiedene Patientenuntergruppen, um die biologischen Signaturen unterschiedlicher Krankheitsmechanismen aufzudecken und die Wirksamkeit von verfügbaren Behandlungsansätzen gezielt vorhersagen zu können. Bei Erfolg wäre dies der erste biologisch fundierte, individualisierte Diagnostik- und Behandlungsansatz für Schizophrenie.

Das Vorhaben ist Teil des transnationalen Forschungsverbundes „IMPLEMENT“ im Rahmen des ERA-Netzes Personalisierte Medizin (ERA PerMed). Gemeinsam arbeiten in diesem Verbund sieben Arbeitsgruppen aus europäischen Partnerstaaten an der Lösung dieser Forschungsfrage. Die Arbeiten werden durch das Zentralinstitut für Seelische Gesundheit in Mannheim koordiniert. Das BMBF beteiligt sich an der Fördermaßnahme, um mit der transnationalen, koordinierten Zusammenarbeit eine möglichst schnelle Überführung innovativer Forschungsergebnisse in die Klinik zu unterstützen.

Teilprojekte

Abgeschlossen

Identifikation von Subgruppen der Schizophrenie anhand von Multi-OMICS-Daten

Förderkennzeichen: 01KU1905A
Gesamte Fördersumme: 199.575 EUR
Förderzeitraum: 2019 - 2023
Projektleitung: Dr. Emanuel Schwarz
Adresse: Zentralinstitut für Seelische Gesundheit
J 5
68159 Mannheim

Identifikation von Subgruppen der Schizophrenie anhand von Multi-OMICS-Daten

Das zentrale Ziel dieses Forschungsvorhabens ist die Identifikation und biologische Charakterisierung von Therapie-relevanten Untergruppen von Patientinnen und Patienten, die an Schizophrenie erkrankt sind. Ein Schwerpunkt des interdisziplinären Projekts ist, die genetischen und neurobiologischen Mechanismen aufzuklären, die den spezifischen Krankheitsmerkmalen solcher Untergruppen zugrunde liegen. Das Zentralinstitut für Seelische Gesundheit übernimmt dabei die Entwicklung und Anwendung von Techniken des Maschinellen Lernens auf hoch-dimensionalen biologischen Datensätzen, um Therapie-relevante Untergruppen zu identifizieren und zu validieren.

Abgeschlossen

Therapieansprechen und klinischer Verlauf der Schizophrenie bei repetitiver transkranieller Magnetstimulation (LMU)

Förderkennzeichen: 01KU1905B
Gesamte Fördersumme: 201.450 EUR
Förderzeitraum: 2019 - 2023
Projektleitung: Prof. Nikolaos Koutsouleris
Adresse: Klinikum der Universität München
Marchioninistr. 15
81377 München

Therapieansprechen und klinischer Verlauf der Schizophrenie bei repetitiver transkranieller Magnetstimulation (LMU)

Das zentrale Ziel dieses Verbundvorhabens ist die Identifikation und biologische Charakterisierung von Therapie-relevanten Untergruppen von Patientinnen und Patienten, die an Schizophrenie erkrankt sind. Ein Schwerpunkt des interdisziplinären Projekts ist, die genetischen und neurobiologischen Mechanismen aufzuklären, die den spezifischen Krankheitsmerkmalen solcher Untergruppen zugrunde liegen. Die Ludwig-Maximilians-Universität München übernimmt hierbei die Aufgabe, maschinelle Lernverfahren auf klinische und bildgebungsbasierte Datensätze anzuwenden, um Untergruppen von Patientinnen und Patienten zu identifizieren, die homogene Muster des Therapieansprechens und klinischen Verlaufs aufweisen.