Detailseite
Projekt
Die Entwicklung eines Biomarkers basierend auf dem anterioren cingulären Cortex zur Einzelfallprädiktion des Behandlungsergebnisses einer kognitiven Verhaltenstherapie in internalisierenden Störungen
Antragsteller
Professor Dr. Kevin Hilbert; Professor Dr. Henrik Walter
Fachliche Zuordnung
Persönlichkeitspsychologie, Klinische und Medizinische Psychologie, Methoden
Biologische Psychologie und Kognitive Neurowissenschaften
Biologische Psychologie und Kognitive Neurowissenschaften
Förderung
Förderung seit 2022
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 442075332
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 spezifische Patient:in. Die bisherige Forschung zeigte, 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: i) die Verwendung eines effizienten Gradienten der Konnektivität zwischen Hirnarealen, welcher Veränderungen in der neuralen Grundlage explizit-kontrollierter und implizit-automatischer Emotionsregulation kodiert, ii) eine graphentheoretische Charakterisierung der ACC Netzwerke und iii) 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 Projekts 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.
DFG-Verfahren
Forschungsgruppen
