Subprojekt 7
Die Entwicklung eines Biomarkers basierend auf dem anterioren cingulären Cortex zur Einzelfallprädiktion des Behandlungsergebnisses einer kognitiven Verhaltenstherapie in internalisierenden Störungen
Die personalisierte Psychiatrie und Psychotherapie verfolgt das Ziel, die Behandlung einer psychischen Störung auf individuelle Patient:innencharakteristika abzustimmen. Dieser Ansatz erfordert leistungsfähige Prädiktoren zur Vorhersage des Erfolgs einer bestimmten Behandlungsmethode für eine:n spezifische:n Patient:in. Die bisherige Forschung zeigt, dass Emotionsregulation sowohl für die Psychopathologie als auch die kognitive Verhaltenstherapie (KVT) eine zentrale Rolle spielt, und dass der anteriore cinguläre Cortex (ACC) durch seine Integration in verschiedene Hirnnetzwerke ein entscheidender Knotenpunkt der Emotionsregulation ist. Wir schlagen eine dezidiert systemische Perspektive vor, um Biomarker aus bildgebenden Daten zur Einzelfallvorhersage des Behandlungserfolgs bei einer KVT für internalisierende Störungen zu entwickeln. Insbesondere wird unser Forschungsprojekt die ACC Vorhersagekraft durch drei leistungsfähige methodische Ansätze optimieren: 1) die Verwendung eines effizienten Gradienten der Konnektivität zwischen Hirnarealen, welcher Veränderungen in der neuralen Grundlage explizit-kontrollierter und implizit-automatischer Emotionsregulation kodiert, 2) eine graphentheoretische Charakterisierung der ACC Netzwerke und 3) ein Ansatz zur Bayesianischen hierarchischen Modellierung von Hirnnetzwerken mit Fokus auf den ACC als zentralem Knotenpunkt. Wir werden unsere prädiktiven Modelle auf drei retrospektiven Datensätzen aus der Forschungsgruppe trainieren und feinabstimmen, und dann ihre Prädiktionsgenauigkeiten sowohl in den retrospektiven Datensätzen testen, als auch in dem prospektiven, unabhängigen Datensatz, der von SP1 erhoben wird. Zusammen erlauben uns diese Schritte die zentrale Hypothese zu prüfen, dass eine leistungsfähige Strategie des Ensemble-Lernens verschiedener Maße der ACC Netzwerk-Integration hohe Genauigkeiten bei der Vorhersage von KVT-Behandlungserfolg erzielen wird. Zusätzlich gehen die Ergebnisse dieses Subprojekts wieder in die Forschungsgruppe ein, indem eine optimale Charakterisierung der ACC-zentrierten funktionellen Systeme für SP2 bereitgestellt wird, indem die Vorhersagekraft unseres Modells mit anderen Prädiktoren aus bildgebenden Daten aus SP8 und SP9 verglichen wird, und indem untersucht wird, ob unser prädiktives Modell mit Strategien der Emotionsregulation aus SP5 beziehungsweise psychophysiologischen Markern der Emotionsregulation aus SP4 assoziiert ist. Insgesamt soll durch methodische Neuerungen sowie eine klare systemische Perspektive auf den ACC ein Prädiktor für KVT-Behandlungserfolg konstruiert werden, der gleichzeitig große Vorhersagekraft, hohe Reliabilität sowie eine gute Interpretierbarkeit aufweist.
Mitglieder
Publikationen
Hilbert, K., Böhnlein, J., Meinke, C., Chavanne, A. V., Langhammer, T., Stumpe, L., Winter, N., Leenings, R., Adolph, D., Arolt, V., Bischoff, S., Cwik, J. C., Deckert, J., Domschke, K., Fydrich, T., Gathmann, B., Hamm, A. O., Heinig, I., Herrmann, M. J., … Lueken, U. (2024). Lack of evidence for predictive utility from resting state fMRI data for individual exposure-based cognitive behavioral therapy outcomes: A machine learning study in two large multi-site samples in anxiety disorders. NeuroImage, 295, 120639. https://doi.org/10.1016/j.neuroimage.2024.120639
Hilbert, K., Weller, P., Ritter, K., Haynes, J.-D., Walter, H., & Lueken, U. (2024). Design studies for clinical prediction. Science, 385(6709), 613–613. https://doi.org/10.1126/science.adp1063
Meinke, C., Lueken, U., Walter, H., & Hilbert, K. (2024). Predicting treatment outcome based on resting-state functional connectivity in internalizing mental disorders: A systematic review and meta-analysis. Neuroscience & Biobehavioral Reviews, 160, 105640. https://doi.org/10.1016/j.neubiorev.2024.105640
Meinke, C., Hornstein, S., Schmidt, J., Arolt, V., Dannlowski, U., Deckert, J., Domschke, K., Fehm, L., Fydrich, T., Gerlach, A. L., Hamm, A. O., Heinig, I., Hoyer, J., Kircher, T., Koelkebeck, K., Lang, T., Margraf, J., Neudeck, P., Pauli, P., … Hilbert, K. (2024). Advancing the personalized advantage index (PAI): A systematic review and application in two large multi-site samples in anxiety disorders. Psychological Medicine, 54(16), 4843–4855. https://doi.org/10.1017/S0033291724003118
Meinke, C., Hornstein, S., Schmidt, J., Arolt V., Dannlowski, U., Deckert, J., Domschke, K., Fehm, L., Fydrich, T., Gerlach, A. L., Hamm, A. O., Heinig, I., Hoyer, J., Kircher, T., Koelkebeck K., Lang, T., Margraf, J., Neudeck, P., Pauli, P., Richter, J., Rief, W., Schneider, S., Straube, B., Ströhle, A., Wittchen, H.-U., Zwanzger P., Walter, H., Lueken, U., Pittig, A., & Hilbert, K. (2024, 9. Oktober). Advancing the Personalized Advantage Index (PAI): A Systematic Review and Application in Two Large Multi-Site Samples in Anxiety Disorders [Posterpräsentation]. 5187 PREACT Symposium: Precision Psychotherapy Signatures, Predictions, & Clinical Utility, Berlin, Deutschland.
Meinke, C., Wellan. S., Heinzel, S., Roesmann, K., Boehnlein, J., Gathmann, B., Herrmann, M. J., Junghoefer, M., Schwarzmeier, H., Seeger, F. R., Siminski, N., Straube, T., Dannlowski U., Leehr, E. J., Lueken, U., Walter, H., & Hilbert, K. (2024, 9. Oktober). Predicting treatment outcome based on baseline resting-state fMRI functional connectivity? A realistic view [Posterpräsentation]. 5187 PREACT Symposium: Precision Psychotherapy Signatures, Predictions, & Clinical Utility, Berlin, Deutschland.
Bruin, W. B., Zhutovsky, P., Van Wingen, G., Bas-Hoogendam, J. M., Groenewold, N. A., Hilbert, K., Winkler, A. M., Zugman, A., Agosta, F., Åhs, F., Andreescu, C., Antonacci, C., Asami, T., Assaf, M., Barber, J. P., Bauer, J., Bavdekar, S. Y., Beesdo‐Baum, K., Benedetti, F., . . . Aghajani, M. (2024). Brain-based classification of youth with anxiety disorders: transdiagnostic examinations within the ENIGMA-Anxiety Database using machine learning. Nature Mental Health, 2(1), 104–118. https://doi.org/10.1038/s44220-023-00173-2
Chavanne, A. V., Meinke, C., Langhammer, T., Roesmann, K., Boehnlein, J., Gathmann, B., Herrmann, M. J., Junghoefer, M., Klahn, L., Schwarzmeier, H., Seeger, F. R., Siminski, N., Straube, T., Dannlowski, U., Lueken, U., Leehr, E. J., & Hilbert, K. (2023). Individual-Level Prediction of Exposure Therapy Outcome Using Structural and Functional MRI Data in Spider Phobia: A Machine-Learning Study. Depression and Anxiety, 2023, 1–11. https://doi.org/10.1155/2023/8594273
Meinke, C., Lueken, U., Walter, H., & Hilbert, K. (2023, 10.-13. Mai). Können Resting-State fMRT Konnektivität und maschinelles Lernen zur Prädiktion des individuellen Behandlungserfolgs genutzt werden? - Ein systematisches Review [Posterpräsentation]. 2. Deutscher Psychotherapie Kongress, Berlin, Deutschland.