KI-gestützte Fernanalyse der Schlaffragmentierung und funktionelle Hirnaktivierungsanalysen für das Monitoring der Behandlungswirksamkeit bei depressiven Störungen

• Antragstellerinnen / Antragsteller: Professor Dr. Thomas Frodl; Professorin Dr. Ute Habel
• Fachliche Zuordnung: Biologische Psychiatrie ; Klinische Psychiatrie, Psychotherapie und Kinder- und Jugendspychiatrie ; Kognitive und systemische Humanneurowissenschaften
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 538749936

Depressionen gehören zu den häufigsten psychiatrischen Störungen. Aufgrund ihrer relativen Häufigkeit, Komplikationen, Komorbiditäten und Folgen sind Depressionen von großer klinischer, gesundheitsökonomischer und politischer Bedeutung. Da Depressionen mit einer hohen Rate an chronischen Krankheitsverläufen und Nichtansprechen auf die Therapie einhergehen, ist die Suche nach Biomarkern zur Vorhersage des Therapieansprechens von großer Bedeutung. Schlafstörungen sind ein charakteristisches Symptom der Depression und PatientInnen mit Schlafstörungen haben ein höheres Risiko an Depressionen zu erkranken. Aufbauend auf diesen Erkenntnissen wollen wir Schlafmuster zur Überwachung und Vorhersage des Therapieerfolgs bei Depressionen nutzen. Im Einzelnen erwarten wir, dass eine klinische Verbesserung zu einer Verbesserung der Schlaffragmentierung, einer Normalisierung der Bildgebungsdaten (Amygdala, Hyperreaktivität und Hyperkonnektivität) und einer Verbesserung der kognitiven Funktionen führt. Die Schlaffragmentierung und die Marker der Bildgebung werden den Erfolg einer Behandlung früher vorhersagen als die klinischen Symptome. Durch die Kombination von interdisziplinärer Expertise im Bereich der klinischen Forschung, der Bildgebung und der künstlichen Intelligenz (KI) wollen wir das Potenzial einer neuartigen physiologischen Erfassung der Schlaffragmentierung (SleepAI) aufzeigen. SleepAI besteht aus einem am Handgelenk getragenen Pulsoximeter, das kontinuierlich physiologische Daten überträgt, die anschließend von dem Deep-Learning-Algorithmus SleepPPG-Net analysiert werden. SleepPPG-Net ermittelt die Schlafstadien und ermöglicht die Berechnung von Biomarkern der Schlaffragmentierung. In einem längsschnittlichen und prospektiven Studiendesign erfassen wir die Schlafmuster vor und einige Wochen nach einer multidimensionalen Behandlung bei depressiven PatientInnen und verwenden zusätzliche neuropsychologische, bildgebende und psychopathologische Marker, um die Therapieeffekte zu validieren und die Assoziation von Schlaffragmentierungs-Biomarkern mit kognitiven, hirnfunktionellen und psychopathologischen Maßen über einen Zeitraum von 42 Tagen aufzuzeigen. Wir gehen davon aus, dass die Schlaffragmentierungs-Biomarker verschiedene Biotypen – also Patientenuntergruppen, charakterisieren und daher mit kognitiven Störungen, Markern der Bildgebung und spezifischen psychopathologischen Symptomprofilen korrelieren, die eine Vorhersage für das Ansprechen auf die Therapie ermöglichen. Die Anwendung von SleepAI kann daher ein nützliches klinisches und leicht anwendbares Instrument sein, das den therapeutischen Ansatz und die Behandlungseffektivität unterstützt.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Israel
• ausländischer Mitantragsteller: Professor Joachim Behar, Ph.D.