Lernen von Synchronisationsmustern in neuronalen Signalen

Das menschliche Gehirn ist das komplexeste System, das von der Wissenschaft erforscht wird und Inspiration für neue Technologien liefert. In den letzten zehn Jahren hat die Erforschung der Hirnfunktion einen entscheidenden Schwerpunktwechsel von der Erforschung der Lokalisation spezialisierter Hirnareale hin zur Erforschung räumlich verteilter Hirnnetzwerke erfahren. Möglich wurde dieser Paradigmenwechsel durch umfangreiche Weiterentwicklungen im Bereich der Synchronisation nichtlinearer Systeme. Basierend auf dem Konzept der Synchronisation nichtlinearer dynamischer Systeme werden wir Data Mining Methoden und Algorithmen zur Erkennung, Charakterisierung und Modellierung von Interaktionen in multivariaten Zeitreihen entwickeln. Insbesondere werden die Veränderungen des Elektroenzephalogramms (EEG) bei depressiven Patienten als Indikatoren für die therapeutische Wirksamkeit von Antidepressiva untersucht. Die entwickelten Methoden werden auf die spezifischen Eigenschaften des EEG zugeschnitten, um Synchronisationsphänomene im menschlichen Gehirn besser zu verstehen. Die Gesamtstruktur der EEG-Synchronisationsmuster ist ein Ansatzpunkt zur Beschreibung von Hirnzuständen. Die entwickelten Methoden werden nicht nur für die Analyse elektrophysiologischer Signale in der Neurologie und Psychiatrie, sondern generell für die Analyse komplexer multivariater und Signale anwendbar sein. Die EEG-Synchronisationsmuster und ihre Veränderungen werden durch Methoden klassifiziert, die vom Gehirn selbst inspiriert sind - neuronale Netze, maschinelles Lernen und Data Mining. Das Projekt hat eine große gesellschaftliche Relevanz, da Depressionen weltweit eine der Hauptursachen für Schwerkrankheitsfällen sind. In den EU-Ländern liegt das Auftreten depressiver Störungen zwischen 2,6 - 4,5 % bei Männern und 7,1 - 10,4 % bei Frauen. Moderne Antidepressiva haben eine Wirkungsrate von nicht mehr als 65%, wohingegen die Wirkung überdies frühestens nach 4-6 Wochen eintritt. Die Fähigkeit, das Ansprechen auf die Behandlung zu vorherzusagen, entweder zu einem frühen Zeitpunkt im Verlauf der Therapie oder sogar noch vor Beginn der Behandlung, kann ineffektive Therapieversuche verhindern und Patienten vor längeren Leidensintervallen und Nebenwirkungen bewahren. Ökonomische Aspekte der Möglichkeit der frühzeitigen Wahl einer wirksamen Therapie können natürlich auch nicht bestritten werden.

Frühzeitig festzustellen, ob ein Antidepressivum einer Person mit schwerer Depression helfen wird, könnte Patienten wochenlange Unsicherheit und Leiden ersparen. In diesem Projekt haben wir gezeigt, dass nicht-invasive Gehirnwellenaufzeichnungen (EEG), die bereits nach einer Woche Behandlung vorgenommen werden, mit vielversprechender Genauigkeit zur Vorhersage des Behandlungserfolgs herangezogen werden können. Depressionen sind eine häufige und schwerwiegende Erkrankung, die das tägliche Leben, die Arbeit und Beziehungen beeinträchtigt. Weltweit leben Hunderte Millionen Menschen mit Depressionen. Obwohl es wirksame Behandlungsmethoden gibt, profitieren viele Patienten nicht ausreichend von dem ersten Medikament, das ausprobiert wird. In der klinischen Praxis benötigen Ärzte oft etwa 4 bis 6 Wochen, bevor sie beurteilen können, ob ein Medikament wirkt, was den Wechsel zu einer besser geeigneten Option verzögern kann. Um diese unbefriedigende Situation für die Patienten zu verbessern, haben wir die Aufzeichnungen der elektrischen Gehirnaktivität (EEG) von Patienten am 7. Tag ihrer Behandlung mit Antidepressiva analysiert. Wir haben verschiedene Methoden zur Analyse dieser EEG-Signale entwickelt und getestet. Wir haben verschiedene Merkmale aus den EEG-Aufzeichnungen extrahiert, die in erster Linie Synchronisationsmuster zwischen Gehirnregionen erfassen, und maschinelle Lernmodelle trainiert, um den Unterschied zwischen Personen zu erkennen, deren Zustand sich später verbesserte, und solchen, bei denen dies nicht der Fall war. Darüber hinaus haben wir untersucht, ob Patienten anhand von Ähnlichkeiten in ihren Gehirnaktivitätsmustern in aussagekräftige Subtypen eingeteilt werden können - ein Ansatz, der helfen könnte zu erklären, warum dieselbe Behandlung bei manchen Menschen gut wirkt, bei anderen jedoch nicht. Die aussagekräftigsten Ergebnisse erzielten wir, indem wir uns auf kurze, wiederkehrende Signalmuster im EEG konzentrierten (ein "motivbasierter" Ansatz). Mit dieser Methode konnten wir das Behandlungsergebnis für 73 % der Patienten in einer unabhängigen Validierungsgruppe korrekt vorhersagen. Dies ist ein wichtiger wissenschaftlicher Fortschritt: Er zeigt, dass frühe EEG-Muster nützliche Informationen über den späteren Behandlungserfolg enthalten können, und er identifiziert eine besonders effektive Methode, um diese Informationen zu extrahieren. Wenn sich dieser Ansatz in größeren Studien bestätigt, könnte er frühere, personalisiertere Behandlungsentscheidungen unterstützen - und so Patienten helfen, schneller eine wirksame Therapie zu erhalten, vermeidbare Nebenwirkungen und Leiden zu reduzieren und möglicherweise Ressourcen im Gesundheitswesen einzusparen.