SiNAPSA, Tuesday, 3. December 2024

eSiNAPSA

Spletna revija za znanstvenike, strokovnjake
in nevroznanstvene navdušence

Računska psihiatrija: od nevroznanosti do klinike

Nastja Tomat

Nevroznanost je ponudila številne vpoglede v mehanizme procesov, kot so čustvovanje, odločanje, učenje, pozornost1 … tako pri zdravih posameznikih kot pri ljudeh z diagnozo duševne motnje. Prenos spoznanj v klinično prakso pa je vendarle počasen, saj je duševno zdravje odvisno od zapletenega delovanja možganov v interakciji s posameznikovim okoljem.2

Nastja Tomat

Klasifikacijska sistema DSM in ICD, ki se uporabljata pri kliničnopsihološkem in psihiatričnem ocenjevanju, duševne motnje opredeljujeta kot ločene kategorije. Te so osnovane na simptomih in ne na bioloških mehanizmih v ozadju motenj, saj je težko zaključevati o vzročno-posledičnih odnosih med biološkimi dejavniki ter psihološkimi in vedenjskimi simptomi. Iz lastnosti klasifikacijskih sistemov tako izhajajo različne težave, kot sta heterogenost in sopojavljanje motenj. Posamezniki s precej raznolikimi simptomi, ki morda izhajajo iz različnih nevrobioloških vzrokov, dobijo enako diagnozo3, zato je težko napovedovati potek bolezni na nivoju posameznika.6 Klienti poleg tega pogosto zadostijo kriterijem za diagnozo dveh ali več motenj.3

Razumevanje duševnega zdravja in motenj zahteva upoštevanje različnih medsebojno povezanih ravni vse od celic in nevronskih omrežij do fizičnega ter socialnega okolja. Povezave med njimi niso enoznačne – navidez nepovezani simptomi lahko izhajajo iz enake biološke nepravilnosti, nasprotno pa imajo podobni simptomi lahko vzrok v različnih nepravilnostih.2 Preučevanje povezav med ravnmi zahteva združevanje in obdelovanje različnih vrst podatkov, pridobljenih z genetskimi in kliničnimi študijami, metodami slikanja možganov in drugimi postopki. Za analizo kompleksnih, večdimenzionalnih baz podatkov je potrebno uporabiti ustrezne računske pristope – in tu se pojavi računska psihiatrija.2

Njen namen je izboljšanje razumevanja, napovedovanja in obravnave duševnih motenj.2 Matematično skuša opisati in razložiti odnose med nevrobiološkimi značilnostmi možganov, simptomi duševnih motenj in posameznikovim okoljem.5 Zajema dve vrsti pristopov – take, ki temeljijo na podatkih, in take, ki temeljijo na teorijah.2

Na podatkih temelječi pristopi se ne naslanjajo na teoretične razlage motenj in vključujejo metode analize, izhajajoče iz strojnega učenja. Preučujejo njihovo uporabnost za izboljšanje obstoječih klasifikacij, pomoč pri izbiri obravnave in napovedovanju posameznikovega odziva nanjo.2

Z metodami strojnega učenja lahko iz podatkov, pridobljenih s funkcionalnim magnetnoresonančnim slikanjem (fMRI), razločujemo med pacienti s shizofrenijo in zdravimi posamezniki2, preučuje pa se uporabnost algoritmov za razlikovanje med različnimi motnjami. Te metode klasifikacije predpostavljajo, da so različne diagnoze medsebojno izključujoče; treba pa bi bilo razviti algoritme, ki omogočajo razvščanje posameznika v več kategorij. Poleg tega je vprašljivo, kako bi se algoritmi obnesli pri analizi nejasnih, dvoumnih primerov.2

Na podatkih temelječe metode ponujajo nove vpoglede v povezave med simptomi.2 Namesto da simptome razumemo kot mere enega samega latentnega konstrukta, lahko duševno bolezen prikažemo kot omrežje simptomov različne etiologije, ki so v medsebojni interakciji. Takšno omrežje ni statično, temveč se vzorci povezav med simptomi spreminjajo.7 Z analizo dinamičnih omrežij lahko torej spremljamo vzorce pojavljanja simptomov v času. Pri depresiji prihaja do zank simptomov, ki se medsebojno ojačujejo; v dinamičnem omrežju se je to pokazalo kot povečana varianca in avtokorelacija mer negativnih oz. pozitivnih čustev med prehodom iz remisije v depresivno epizodo in obratno.2

Druga veja pristopov v računski psihiatriji se naslanja na teoretično razumevanje pojavov, ki jih preučuje. To so na teorijah temelječi pristopi, ki se uporabljajo za preučevanje mehanizmov v ozadju motenj. Iz njih izhajajo t.i. sintetični modeli, ki s simulacijami in matematičnimi analizami preučujejo povezave med elementi sistema. Gre za modele nevronskih omrežij, ki upoštevajo biofizikalne lastnosti pravih nevronov in znanje o strukturnih ter funkcijskih značilnostih nevronskih omrežij. Z njimi lahko na primer simuliramo, kako sprememba v določenem nevrotransmiterju vpliva na nevronsko omrežje in vedenje, in dobimo vpogled v vzročno-posledične povezave med različnimi nivoji – od molekul do vedenjskih simptomov. S takšnim modelom so preučevali vpliv serotonina in glutamata na simptome obsesivno-kompulzivne motnje. Tako znižan nivo serotonina kot povišan nivo glutamata sta v omrežju povzročila močne in vztrajne vzorce aktivacije, ki so se s težavo prekinile; takšne spremembe v aktivnosti nevronov so morda podlaga obsesij. Blokada specifičnega tipa serotoninskih receptorjev, vključenih v model, pa je motnje ublažila.2 Modeli torej lahko ocenijo procese v ozadju motenj, na katere bi se lahko osredotočili pri razvoju novih vrst obravnav 1 tudi farmakoloških. Takšni modeli pa so precej poenostavljeni in zajemajo samo omejen del povezav znotraj sistema.2

Na teoriji temelječi pristopi vključujejo še algoritmične modele, med katere spadajo npr. modeli učenja z ojačevanjem.2 Z njimi lahko predstavimo, kako ljudje na podlagi predhodnih izkušenj predvidevajo nagrade in kazni v prihodnosti. Ti modeli so sestavljeni iz algoritma, ki predstavlja proces učenja in vrednotenja, in funkcije, ki rezultat vrednotenja poveže z izbiro. Nato lahko ocenimo verjetnost posamezne izbire in opišemo proces učenja ter vedenje.2 Modeli upoštevajo, da ljudje za ocenjevanje okolja in ustreznega odzivanja nanj uporabljamo kombinacijo senzornih podatkov in predhodnega znanja – oboje pa je do neke mere negotovo. Za modeliranje presojanja okolja se lahko uporabljajo pristopi Bayesovske statistike.5 S takšnimi modeli lahko preučujemo, s katerimi fazami učenja so povezani simptomi motenj. Nekatere raziskave so tako pokazale, da je anhedonija pri depresiji povezana z zmanjšano občutljivostjo za nagrade.2

Včasih je smiselno združevati obe vrsti pristopov. Če je teoretično razumevanje motnje točno, s pomočjo na teoriji temelječih pristopov izločimo spremenljivke, bistvene za posamezno motnjo. Te potem analiziramo z metodami, temelječimi na podatkih.2

Da bi se računska psihiatrija začela uporabljati v klinični praksi, je treba spodbujati komunikacijo med raziskovalci in kliniki.1 Potrebne so nadaljnje raziskave, ki bi potrdile uporabnost pristopov računske psihiatrije v primerjavi z metodami, ki se pri diagnosticiranju in obravnavi uporabljajo zdaj1 – na primer vzdolžne študije, s katerimi bi lahko ocenili veljavnost modelov.6 Poleg tega primanjkjuje znanja o biooznačevalcih (ang. biomarker), ki bi odražali posamezne motnje in na katere bi se lahko naslonili pri načrtovanju obravnave. Številne raziskave preučujejo potencialne biooznačevalce, vendar njihova omejena dostopnost ovira uporabo v klinični praksi.4 Smiselno bi bilo torej vzpostavljati raziskovalcem in klinikom dostopne baze podatkov, ki bi jih lahko uporabili pri razvoju in uporabi modelov. Veliko raziskav se je osredotočalo na iskanje statistično značilnih razlik med diagnostičnimi kategorijami – npr. razlik v nevronskih procesih med zdravimi posamezniki in bolniki s shizofrenijo. Vendar pa lastnosti, ki se pomembno razlikujejo med kategorijami, še niso nujno uporabni napovedniki poteka motnje in uspešnosti obravnave. Smiselno bi bilo zasnovati raziskave, ki ne bi preučevale razlik med kategorijami trenutnih klasifikacijskih sistemov, ampak bi se neodvisno od njih osredotočale na iskanje dobrih napovednikov poteka motnje in odziva na obravnavo.1

    ___
  1. Paulus, M. P., Huys, Q. J. M. in Maia, T. V. (v tisku). A roadmap for the development of applied computational psychiatry models for better diagnosis, prognosis and treatment. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging. 

  2. Huys, Q. J. M., Maia, T. V. in Frank, M. J. (2016). Computational psychiatry as a bridge from neuroscience to clinical applications. Nature Neuroscience, 19(3), 404–413. 

  3. Wiecki, T. V., Poland, J. in Frank, M. J. (2015). Model-based cognitive neuroscience approaches to computational psychiatry: clustering and classification. Clinical Psychological Science, 3(3), 378– 399. 

  4. Stephan, K. E. In Mathys, C. (2014). Computational approaches to psychiatry. Current Opinion in Neurobiology, 25, 85–92. 

  5. Adams, R. A., Huys, Q. J. M. in Roiser, J. P. (2016). Computational psychiatry: towards a mathematically informed understanding of mental illnes. Journal of Neurology, Neurosurgery and Psychiatry, 87(1), 53–63. 

  6. Bringmann, L. F., Vissers, N., Wichers, M., Geschwind, N., Kuppens, P., Peeters, F., Borsboom, D. in Tuerlinckx, F. (2013). A network approach to psychopathology: new insights into clinical longitudinal data. PloS ONE, 8(4): e60188. doi:10.1371/journal.pone.0060188 

  7. DeBattista, C., Kinrys, G., Hoffman, D., Goldstein, C., Zajecka, J., Kocsis, J., Teicher, M., Potkin, S., Preda, A., Multani, G., Brandt, L., Schiller, M., Iosifescu, D. in Fava, M. (2011). The use of referenced-EEG (rEEG) in assisting medication selection for the treatment of depression. Journal of Psychiatric Research,45(1), 64–75. 

Nastja Tomat, dipl. psih, študentka druge stopnje psihologije
Filozofska fakulteta
Univerza v Ljubljani

Objavljeno: 19. februar 2017