Durchgeführt von: MMLL

In Kooperation mit: Prof. Dr. Dr. Michael Bauer (Technische Universität Dresden), Prof. Dr. Uli Ebner-Priemer (KIT – Karlsruher Institut für Technologie)

Laufzeit: Seit 2024

Förderung: Deutsche Forschungsgemeinschaft 

Affektive Erkrankungen sind oft chronisch und verlaufen in Episoden. Die kontinuierliche Überwachung der Symptomatik in Kombination mit Echtzeitanalysen hat daher das Potenzial, Kernprobleme in der Forschung und Behandlung affektiver Störungen (AD), wie etwa die frühzeitige Erkennung, Vorhersage und (letztendlich) Prävention von Symptomveränderungen und neuen Episoden, zu lösen. Im Rahmen dieses Projektes werden erstmals Daten in ausreichender Menge und zeitlicher Präzision erfasst, um bestehende theoretische Modelle zur Charakterisierung neuer Episoden zu validieren. Darüber hinaus werden wir personalisierte, Machine Learning (ML)-basierte Vorhersagen für bevorstehende Symptomänderungen und Episoden entwickeln. 

Konkret hat Projekt A01 drei Arbeitspakete, die kontinuierliche, longitudinale Daten aus der gesamten CRC/TRR 393 Kohorte verwenden (n=1.500): Zum einen zielen darauf ab, etablierte digitale Phänotypmodelle für Frühwarnzeichen zu validieren, indem konventionelle inferenzstatistische Methoden eingesetzt werden, um die Vergleichbarkeit unserer Ergebnisse mit früheren Arbeiten zu gewährleisten; Zum anderen werden wir die Vorhersagekraft digitaler Phänotypen im Einzellfall untersuchen, da viele der bestehenden Modelle derzeit erhebliche Validitätsmängel aufweisen. Schließlich werden wir ML-Technologie nutzen, um personalisierte multivariate Vorhersagen zu ermöglichen.