Erforschung neuroimaging-genetischer Koalterationsmerkmale auditiver verbaler Halluzinationen bei verschiedenen Subjekten zur Etablierung eines prädiktiven Modells
Auditive verbale Halluzinationen (AVH) werden als Wahrnehmung von Stimmen ohne externen auditorischen Reiz definiert. Diese Halluzinationen sind oft stark persönlichkeitsbezogen und verursachen erhebliche Belastungen. AVH treten bei einer Vielzahl psychischer und neurologischer Störungen auf, darunter Schizophrenie, bipolare Störung (BP), Major Depression (MDD), posttraumatische Belastungsstörung (PTSD) und Borderline-Persönlichkeitsstörung (BPD), aber auch bei gesunden Personen. Über 70 % der Schizophreniepatienten erleben AVH, während die Prävalenz in anderen Gruppen zwischen 46 % (BPD), 11,3–62,8 % (BP), 5,4–40,6 % (MDD) und 4,2 % in der Allgemeinbevölkerung variiert.
Die hohe Prävalenz unterstreicht die Notwendigkeit einer frühen Diagnose, um Fehlbehandlungen und Risiken wie Gewalt oder Suizidalität zu reduzieren. Multidisziplinäre Ansätze kombinieren Neuroimaging und Genetik, um pathologische Merkmale von AVH zu identifizieren. Da AVH sprachbasiert und humanspezifisch sind, sind Tiermodelle ungeeignet. Moderne Verfahren wie fMRT, EEG und DTI zeigen abnorme Aktivitäten in Netzwerken wie dem Salienz-Netzwerk, Default-Mode-Netzwerk und Sprachverarbeitungsarealen. Genetische Studien verweisen auf AVH-assoziierte Gene wie FOXP2, COMT und NRG1, die Suszeptibilität und Therapieansprechen beeinflussen.
Die Integration neuroimaging-basierter und genetischer Daten ermöglicht ein umfassendes Verständnis der AVH-Pathologie und liefert potenzielle Biomarker. Maschinelle Lernverfahren bieten vielversprechende Ansätze zur Entwicklung prädiktiver Modelle. Beispielsweise erreichte eine Studie von Yin et al. eine Spezifität von 73,9 % bei der AVH-Erkennung bei Schizophreniepatienten. Solche Modelle können auf andere Störungen übertragen werden.
Das vorgeschlagene Forschungsdesign umfasst zwei Komponenten:
- Identifikation gemeinsamer und spezifischer Koalterationsmerkmale: Erstepisoden-Patienten mit Schizophrenie, BP, PTSD, BPD, MDD sowie gesunde Probanden mit erstmaligen AVH werden mittels Hochdurchsatzsequenzierung und Connectom-Techniken analysiert. Ziel ist die Detektion störungsspezifischer und transdiagnostischer Merkmale, die gezielte Therapien ermöglichen.
- Etablierung prädiktiver Modelle: Maschinelles Lernen integriert Neuroimaging-Genetik-Daten, soziodemografische Merkmale und Therapieverläufe. Dynamische Veränderungen der Merkmale während der Behandlung werden zur Optimierung therapeutischer Strategien genutzt.
Die Hypothese eines „pathologischen Merkmalsbrückens“ postuliert, dass Hirnveränderungen als Brücke zwischen genetischen Faktoren und klinischen AVH-Symptomen fungieren. Diese Brücke kann durch visuelle Biomarker abgebildet werden, die Zusammenhänge zwischen Genetik, Neuropathologie und Klinik aufzeigen. Eine geplante Kohortenstudie mit zweijähriger Nachbeobachtung soll das prädiktive Modell validieren.
Schlussfolgerung: Die Kombination aus Neuroimaging, Genetik und maschinellem Lernen bietet ein neuartiges Framework für die AVH-Diagnostik und Therapieoptimierung. Die Identifikation transdiagnostischer Merkmale ermöglicht personalisierte Behandlungsansätze, die Risiken reduzieren und die Lebensqualität Betroffener verbessern.
doi.org/10.1097/CM9.0000000000000385