Skip to main content
Hauptrubriken
CME Facharzt-Training Webinare Zeitschriften Bücher e.Medpedia Podcast
Service
Jobbörse Info & Hilfe
Fachgebiete
Anästhesiologie Allgemeinmedizin Arbeitsmedizin Augenheilkunde Chirurgie Dermatologie Gynäkologie und Geburtshilfe HNO Innere Medizin Kardiologie Neurologie Onkologie und Hämatologie Orthopädie und Unfallchirurgie Pädiatrie Pathologie Psychiatrie Radiologie Rechtsmedizin Urologie Zahnmedizin
Themen
Klimawandel und Gesundheit Neues aus dem Markt COVID-19 Praxis und Beruf Seltene Erkrankungen GOÄ & EBM Panorama
Sammlungen
Kasuistiken Algorithmen & Infografiken Blickdiagnosen Arthropedia FlapFinder (für Dermatochirurgen) Videos Kongressberichterstattung Medizin für Apothekerinnen und Apotheker Für Ärztinnen und Ärzte in Weiterbildung Für Medizinstudierende

Live-Webinar: Aktuelle Leitlinien bei Herz-Kreislauf-Erkrankungen

Konkret geht es um den Diabetes-Patienten mit kardiovaskulären Erkrankungen oder Risiken, die Herzinsuffizienz sowie die kardiovaskuläre Primär- und Sekundärprävention. Sind Sie hier schon auf dem neuesten Stand? Unsere Experten beleuchten, wo und warum das bisherige Procedere geändert werden soll und was in der Praxis sinnvoll ist. Holen Sie sich Ihr Update und 2 CME-Punkte beim MMW-Webinar am 24. April von 17.30 bis 19 Uhr. 
Erweiterte Suche
Anmelden
nach oben
Der Nervenarzt
Erschienen in: Der Nervenarzt 8/2018

29.11.2017 | Affektive Störungen | Leitthema

Big-Data-Ansätze in der Psychiatrie: Beispiele aus der Depressionsforschung

verfasst von: Prof. Dr. Dr. D. Bzdok, T. M. Karrer, U. Habel, F. Schneider

Erschienen in: Der Nervenarzt | Ausgabe 8/2018

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Die Erforschung und Therapie von Depression ist erschwert durch heterogene ätiologische Mechanismen und diverse Komorbiditäten. Durch den Big-Data-Trend in der Psychiatrie können Forschung und Therapie zunehmend auf den individuellen Patienten ausgerichtet werden. Diese veränderte Zielstellung erfordert spezielle Analyseverfahren.

Ziel der Arbeit

Daher sollen die Möglichkeiten und Herausforderungen von Big-Data-Ansätzen in der Depressionsforschung näher beleuchtet werden.

Material und Methode

Anhand von Beispielen werden die Möglichkeiten von Big-Data-Ansätzen in der Depressionsforschung illustriert. Dabei werden moderne maschinelle Lernverfahren mit den traditionellen statistischen Methoden hinsichtlich ihres Anwendungspotenzials in der Depressionsforschung verglichen.

Ergebnisse

Maschinelle Lernverfahren eignen sich besonders zur Analyse detaillierter Beobachtungsdaten, zur Vorhersage einzelner Datenpunkte und mehrerer klinischer Variablen sowie zur Beschreibung von Endophänotypen. Der Transfer der Ergebnisse in die klinische Praxis stellt eine aktuelle Herausforderung von Big-Data-Ansätzen in der Depressionsforschung dar.

Schlussfolgerungen

Big-Data-Ansätze könnten ermöglichen, biologische Subtypen innerhalb der Depression zu identifizieren und Vorhersagen für einzelne Patienten zu treffen. Damit bergen sie enormes Potenzial für die Prävention, Diagnose, Therapie und Verlaufsprognose von Depressionen.
Literatur
1.
Arbabshirani MR, Plis S, Sui J et al (2017) Single subject prediction of brain disorders in neuroimaging: promises and pitfalls. Neuroimage 145:137–165CrossRefPubMed
2.
Bengio Y, Courville A, Vincent P (2013) Representation learning: a review and new perspectives. IEEE Trans Pattern Anal Mach Intell 35:1798–1828CrossRefPubMed
3.
Bhaumik R, Jenkins LM, Gowins JR et al (2016) Multivariate pattern analysis strategies in detection of remitted major depressive disorder using resting state functional connectivity. Neuroimage Clin 2:390–398
4.
Breiman L (2001) Statistical modeling: the two cultures. Stat Sci 16:199–231CrossRef
5.
Breiman L, Friedman JH (1997) Predicting multivariate responses in multiple linear regression. J R Stat Soc Series B Stat Methodol 59:3–54CrossRef
6.
Bzdok D, Yeo BTT (2017) Inference in the age of big data: future perspectives on neuroscience. Neuroimage 14:549–564CrossRef
7.
Caruana R (1998) Multitask learning. In: Thrun S, Pratt L (Hrsg) Learning to learn. Springer, Boston, S 95–133CrossRef
8.
Chekroud AM, Zotti RJ, Shehzad Z et al (2016) Cross-trial prediction of treatment outcome in depression: a machine learning approach. Lancet Psychiatry 3:243–250CrossRefPubMed
9.
10.
Drysdale AT, Grosenick L, Downar J et al (2017) Resting-state connectivity biomarkers define neurophysiological subtypes of depression. Nat Med 23:28–38CrossRefPubMed
11.
12.
Gabrieli JD, Ghosh SS, Whitfield-Gabrieli S (2015) Prediction as a humanitarian and pragmatic contribution from human cognitive neuroscience. Neuron 85:11–26CrossRefPubMedPubMedCentral
13.
Goodfellow IJ, Bengio Y, Courville A (2016) Deep learning. MIT Press, USA
14.
Hastie T, Tibshirani R, Friedman J (2001) The elements of statistical learning. Springer, HeidelbergCrossRef
15.
16.
Insel T, Cuthbert B, Garvey M et al (2010) Research domain criteria (RDoC): toward a new classification framework for research on mental disorders. Am J Psychiatry 167:748–751CrossRefPubMed
17.
18.
19.
Kessler RC, van Loo HM, Wardenaar KJ et al (2016) Testing a machine-learning algorithm to predict the persistence and severity of major depressive disorder from baseline self-reports. Mol Psychiatry 21:1366–1371CrossRefPubMedPubMedCentral
20.
Manyika J, Chui M, Brown B et al (2011) Big data: the next frontier for innovation, competition, and productivity. Technical report. McKinsey Global Institute, Düsseldorf
21.
22.
Østergaard SD, Jensen SOW, Bech P (2011) The heterogeneity of the depressive syndrome: when numbers get serious. Acta Psychiatr Scand 124:495–496CrossRefPubMed
23.
Passos IC, Mwangi B, Cao B et al (2016) Identifying a clinical signature of suicidality among patients with mood disorders: a pilot study using a machine learning approach. J Affect Disord 15:109–116CrossRef
24.
Perna G, Nemeroff CB (2017) Personalized medicine in psychiatry: back to the future. Per Med Psychiatry 1:1
25.
Schnyer DM, Clasen PC, Gonzalez C et al (2017) Evaluating the diagnostic utility of applying a machine learning algorithm to diffusion tensor MRI measures in individuals with major depressive disorder. Psychiatry Res 30:1–9CrossRef
26.
Shalev-Shwartz S, Ben-David S (2014) Understanding machine learning: from theory to algorithms. Cambridge University Press, CambridgeCrossRef
27.
Stephan KE, Schlagenhauf F, Huys QJM et al (2017) Computational neuroimaging strategies for single patient predictions. Neuroimage 145:180–199CrossRefPubMed
28.
Wasserstein RL, Lazar NA (2016) The ASA’s statement on p‑values: context, process, and purpose. Am Stat 70:129–133CrossRef
29.
30.
31.
Zhang X, Mormino EC, Sun N et al (2016) Bayesian model reveals latent atrophy factors with dissociable cognitive trajectories in Alzheimer’s disease. Proceedings of the National Academy of Sciences, S E6535–E6544
Metadaten
Titel
Big-Data-Ansätze in der Psychiatrie: Beispiele aus der Depressionsforschung
verfasst von
Prof. Dr. Dr. D. Bzdok
T. M. Karrer
U. Habel
F. Schneider
Publikationsdatum
29.11.2017
Verlag
Springer Medizin
Erschienen in
Der Nervenarzt / Ausgabe 8/2018
Print ISSN: 0028-2804
Elektronische ISSN: 1433-0407
DOI
https://doi.org/10.1007/s00115-017-0456-2

Weitere Artikel der Ausgabe 8/2018

Der Nervenarzt 8/2018 Zur Ausgabe

Für den Kliniker

Grundlagen autoimmuner und paraneoplastischer Enzephalitiden

Erratum

Erratum zu: Operative Versorgung der degenerativen Halswirbelsäule

Übersichten

Gerinnungsfaktoren und Multiple Sklerose

Aktuelles

Radikulomyelopathie bei Schistosomiasis

Mitteilungen der DSG

Mitteilungen der Schlaganfallgesellschaft

Mitteilungen der DGPPN

Mitteilungen der DGPPN 8/2018

Passend zum Thema

ANZEIGE

Mittelgradige Depressionen & Johanniskraut: Das hat sich geändert

Affektive Störungen

Die Behandlungsempfehlungen bei mittelgradiger Depression wurden erneuert und der Einsatz von Johanniskraut entscheidend präzisiert – welche zwei Empfehlungen Sie aus der aktualisierten Depressions-Leitlinie jetzt kennen sollten.

ANZEIGE

3 Kernaussagen: Cochrane-Analyse untersucht Johanniskrautextrakte

Affektive Störungen

Johanniskraut gehört zu den am besten untersuchten pflanzlichen Arzneimitteln. Die Ergebnisse zur Wirksamkeit bei Depressionen wurden u. a. in einem Cochrane-Review analysiert [1]. Wie das pflanzliche Antidepressivum dabei abschnitt und welche drei Kernaussagen Sie für die Praxis kennen sollten, lesen Sie hier.

ANZEIGE

Depression behandeln. Natürlich.

Content Hub

Aktuelle Ergebnisse aus in-vitro- und in-vivo-Untersuchungen liefern detaillierte Erklärungen zum Wirkmechanismus von hochdosiertem Johanniskraut-Extrakt: Neu ist die Erkenntnis, dass der Johanniskraut-Extrakt bei chronischem Stress die deregulierte Stressantwort der überaktiven HPA-Achse sowie die Expression des Stressgens FKBP5 normalisieren kann. Mehr zum aktuellen Stand der Wissenschaft bei der Therapie von Depressionen erfahren Sie hier. 

Bayer Vital GmbH
Bildnachweise