Identifizierung verschiedener Verlaufsformen der Posttraumatischen Belastungsstörung durch maschinelles Lernen mit hochdimensionalen kognitiven, emotionalen und biologischen longitudinalen Daten

• Antragstellerin: Professorin Dr. Katharina Schultebraucks
• Fachliche Zuordnung: Persönlichkeitspsychologie, Klinische und Medizinische Psychologie, Methoden ; Allgemeine, Kognitive und Mathematische Psychologie ; Biologische Psychiatrie
• Förderung: Förderung von 2017 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 387444691

Traumatische Erfahrungen beeinträchtigen Millionen Menschen weltweit und sind mit hohen Belastungen des Gesundheitssystems verbunden. Unklar ist, weshalb manche Personen nach potentiell traumatischen Ereignissen Symptome einer psychischen Erkrankung entwickeln und andere nicht. Um gefährdeten Personen rasch gezielte Hilfe anzubieten, ist es wichtig, Personen mit erhöhtem Risiko für die Entwicklung einer psychischen Erkrankung frühzeitig und verlässlich zu identifizieren. Frühere Studien hierzu sind limitiert und haben sehr heterogene Prädiktoren vorgeschlagen. Hierfür gibt es zwei methodische Gründe. Erstens wurden Risikofaktoren häufig retrospektiv eine lange Zeit nach dem Auftreten erster Symptome untersucht. Dies erschwert es, zwischen Risikofaktoren einer psychischen Erkrankung und deren Konsequenzen klar zu unterscheiden. Zweitens wurden oft konventionelle statistische Methoden (auf Basis Generalisierter Linearer Modelle) genutzt. Dabei werden Risikofaktoren isoliert betrachtet und Scheinkorrelationen oder redundante Variablen können nur schwer aufgedeckt werden.Um die erste Schwierigkeit zu überwinden, ist es notwendig, die betroffenen Personen bereits kurz nach einem potentiell traumatischen Ereignis prospektiv zu untersuchen, um zeitnahe Risikofaktoren für eine spätere Psychopathologie zu identifizieren. Um der zweiten Schwierigkeit zu begegnen, ist es notwendig, hochdimensionale Daten zu untersuchen, die möglichst viel relevante Information enthalten. Dieses Projekt untersucht erstmals eine Vielzahl an genetischen, physiologischen, psychologischen und sozialen Variablen gemeinsam in einem komplexen Modell. Um solche hochdimensionalen Daten (d.h. die Anzahl der Beobachtungen ist wesentlich kleiner als die Anzahl der untersuchten Variablen) longitudinal zu analysieren und maximal prädiktive Kombinationen von Risikofaktoren zu identifizieren, sind statistische Verfahren wie maschinelles Lernen erforderlich. Ziel des Projekts ist die Identifikation verlässlicher Prädiktoren für die Entwicklung einer Posttraumatischen Belastungsstörung (PTSD) bei Patienten, die nach einem potentiell traumatischen Ereignis in die Notaufnahme des Bellevue Hospital Center in New York City eingeliefert wurden. Das Design als prospektive Längsschnittstudie mit mehreren Messzeitpunkten (unmittelbar sowie 1, 3, 6 und 12 Monate nach Einlieferung) wird es ermöglichen, unterschiedliche Verlaufsformen der PTSD Symptome zu identifizieren sowie spezifische Risikofaktoren für das Auftreten von Komorbiditäten aufzudecken und in einer unabhängigen Stichprobe zu validieren.Da der Erfolg einer Behandlung auch davon beeinflusst wird, wie lange die Symptome bereits bestehen, einschließlich einer möglichen Chronifizierung oder der Entstehung komorbider Störungen, ist die Früherkennung solcher Risiken von hoher klinischer Bedeutung für die gezielte und effektive Verteilung von Behandlungsmaßnahmen.

• DFG-Verfahren: Forschungsstipendien
• Internationaler Bezug: USA
• Gastgeber: Professor Dr. Charles Marmar