Toward Disentangling the Heterogeneity of Phenotypes: Multivariate Statistical Approaches in Neuroimaging for Psychiatric Phenotyping

Das Biopsychosoziale Modell bietet einen konzeptuell theoretischen Rahmen, um mentale Gesundheit und Krankheit zu erklären. Das Modell beschreibt, dass die Kontinua von biologischen, psychologischen und sozialen Faktoren in Interaktion miteinander betrachtet werden müssen, damit man das individuelle Risiko für psychische Erkrankungen bestimmen kann. Dieses theoretische Modell findet praktische Anwendung durch die Bestimmung psychiatrischer Phänotypen. Weiterentwicklungen in neurowissenschaftlichen Methoden gelten als vielversprechend, um wichtige Beiträge zur Phänotypisierung psychiatrischer Erkrankungen zu liefern. Diese Methoden können den Zusammenhang zwischen Verhalten und Gehirn erforschen und somit neben Genetik weitere biologische Marker für psychiatrische Erkrankungen liefern. Jedoch erschweren sowohl die Komplexität von psychiatrischen Erkrankungen als auch die Komplexität des Gehirns klare und zuverlässige Zusammenhänge zu finden. Bisherige Forschung in diesem Bereich hat sich überwiegend auf univariate statistische Tests gestützt, welche aber diese Komplexität nicht vollends erfassen können. In dieser Dissertation wurden daher multivariate statistische Ansätze herangezogen, um deren Anwendbarkeit im Rahmen neurowissenschaftlicher Forschung zu psychiatrischen Phänotypen zu untersuchen. Hierfür wurden die multivariaten Ansätze sowohl auf Hirn- als auch auf psychometrische Daten angewendet. Das übergeordnete Ziel dieser Dissertation war die Heterogenität bisheriger Phänotypen in diesem Feld zu entzerren. In STUDIE I verwendeten wir den multivariaten Ansatz des Strukturgleichungsmodells, um ein umfassendes Modell mit sowohl Hirn- als auch klinischen Daten zu entwickeln. Die verwendeten Daten stammen von einer großen Stichprobe an Patienten mit depressiver Störung. Hierfür wurde ein zuvor publiziertes klinisches Strukturgleichungsmodell herangezogen und zunächst in unserer Stichprobe repliziert. Dieses Modell enthielt sowohl einen etablierten Risikofaktor für Depression als auch Symptome und einen kognitiven Parameter der Depression. Anschließend integrierten wir in dieses Strukturgleichungsmodell einen Parameter für hirnstrukturelle Konnektivität. Die Ergebnisse der Studie erweitern bisheriges Wissen zur Integrität der weißen Substanz in Depression und bringen neue Erkenntnisse zum Zusammenhang zwischen einem Risikofaktor, einem Hauptsymptom der Depression und hirnstruktureller Konnektivität in Depression. Die Anwendung eines datengetriebenen Ansatzes auf einen hirnmorphometrischen Parameter in Form der Clusteranalyse in STUDIE II zielte darauf ab, unabhängig von klinischen Diagnosen die reine biologische Gruppierung einer transdiagnostischen Patientenkohorte zu explorieren. Die Ergebnisse der STUDIE II zeigen, dass die durch die Clusteranalyse gebildeten Subgruppen nicht mit den diagnostischen Gruppen einhergehen. Weitere Korrelationsanalysen der Subgruppen mit frühen Umweltrisikofaktoren und neuropsychologischen Variablen geben einen Hinweis darauf, dass der untersuchte hirnmorphometrische Parameter eher eine transdiagnostische Rolle in Psychopathologie spielt als dass dieser differentiell für klinisch diagnostische Gruppen dient. Durch die Anwendung einer Hauptkomponentenanalyse in STUDIE III konnten wir zeigen, dass sich sowohl die Konzeptualisierungen als auch die psychometrische Erfassung des Persönlichkeitskonstrukts Schizotypie über Studien hinweg unterscheidet. Der Einsatz dieser unterschiedlichen Skalen führt wiederum zu heterogenen Ergebnissen in neurowissenschaftlichen Studien. Einen Vorschlag zur homogeneren Erfassung des Konstruktes haben wir durch die Anwendung von Konfirmatorischer Faktorenanalyse erörtert. Abschließend lässt sich sagen, dass die vorliegende Dissertation neue Einblicke in die Anwendbarkeit und Nützlichkeit multivariater statistischer Ansätze eröffnet hat. Die Ergebnisse der Studien heben hervor, dass es wichtig ist über die klinisch diagnostischen Grenzen hinaus zu gehen, um verlässliche Phänotypen bestimmen zu können. Es ist von Notwendigkeit, dass zukünftige Forschung in diesem Bereich mehr in Richtung umfassender statistischer Anwendung rückt, um die Komplexität psychischer Erkrankungen ausreichend erfassen zu können. Dadurch kann die Grundlage für rechenbetonte Modellierung psychischer Erkrankungen gelegt werden, um diese dann für individuelle Vorhersagen über mentale Gesundheit und Krankheit anwenden zu können.