La nuova analisi dei dati fMRI può migliorare il trattamento della schizofrenia

In un nuovo studio, i ricercatori dell'Università del Maryland, Baltimore County (UMBC) hanno sviluppato strumenti per migliorare l'analisi dei dati di risonanza magnetica funzionale (fMRI) e, di conseguenza, sono ora in grado di identificare i sottogruppi di pazienti schizofrenici.

Le nuove scoperte possono aiutare nella diagnosi e nel trattamento di pazienti con malattie mentali che possono essere difficili da identificare e mostrare ai medici se i trattamenti attuali hanno funzionato o meno sulla base di raggruppamenti di immagini.

Lo studio è pubblicato sulla rivista NeuroImage.

Il metodo di analisi dell'immagine è denominato analisi vettoriale indipendente (IVA) per l'estrazione del sottospazio comune (CS). Attraverso questo metodo, i ricercatori sono stati in grado di classificare sottogruppi di dati fMRI basati esclusivamente sull'attività cerebrale, dimostrando che esiste un legame tra l'attività cerebrale e alcune malattie mentali. In particolare, sono stati in grado di identificare sottogruppi di pazienti schizofrenici analizzando i dati fMRI.

In precedenza, non esisteva un modo chiaro per raggruppare la schizofrenia nei pazienti sulla base della sola imaging cerebrale, ma il nuovo metodo dimostra una connessione significativa tra l'attività cerebrale di un paziente e le loro diagnosi.

"La parte più interessante è che abbiamo scoperto che i sottogruppi identificati possiedono un significato clinico esaminando i loro sintomi diagnostici", ha detto Qunfang Long, Ph.D. candidato all'UMBC in ingegneria elettrica. "Questa scoperta ci ha incoraggiato a impegnarci maggiormente nello studio dei sottotipi di pazienti con schizofrenia utilizzando dati di neuroimaging".

È importante sottolineare che il metodo IVA-CS utilizzato per identificare questi sottogruppi preserva anche le sfumature nei dati, ma restituisce comunque raggruppamenti statisticamente significativi.

"Ora che i metodi basati sui dati hanno guadagnato popolarità, una grande sfida è stata catturare la variabilità per ciascun soggetto eseguendo contemporaneamente analisi su set di dati fMRI da un gran numero di soggetti", ha affermato il dottor Tülay Adali, professore di informatica ed ingegneria elettrica e direttore del Machine Learning for Signal Processing Lab di UMBC.

"Ora possiamo eseguire questa analisi in modo efficace e identificare raggruppamenti significativi di soggetti".

Diagnosticare e curare la malattia mentale è incredibilmente complesso. La stessa malattia si presenterà in modo diverso in pazienti diversi e spesso non esiste un trattamento singolo che sia efficace per tutti i pazienti. Una volta che un trattamento è in atto, determinare se ha successo può anche variare a seconda del paziente.

Questa ricerca risponde alla variabilità fornendo ai medici un modo oggettivo per analizzare i risultati fMRI per i pazienti all'interno di sottogruppi diagnostici relativamente simili, e quindi confrontare i risultati fMRI nel tempo per lo stesso paziente.

Si consideri un paziente schizofrenico che riceve cure e torna in sei mesi per essere nuovamente valutato. Se i loro dati fMRI assomigliano a quelli del gruppo di controllo di pazienti mentalmente sani più di quelli di altri pazienti con schizofrenia, questa è una prova oggettiva che il trattamento sta funzionando. Su una scala più ampia, questi dati forniscono una visione migliore dei risultati medici dei pazienti a seguito del trattamento.

Successivamente, il team di Adali lavorerà con dati longitudinali per determinare quali trattamenti funzionano meglio per i sottogruppi di pazienti con malattie mentali specifiche. Questo metodo sarà utilizzato anche in uno studio longitudinale sugli adolescenti per vedere se ci sono collegamenti tra le immagini della risonanza magnetica e la dipendenza e i modelli di uso di sostanze di quegli adolescenti nel tempo.

L'attuale ricerca di Adali e Long è con il collaboratore di lunga data Dr. Vince Calhoun presso il Triistituzionale Center for Translational Research in Neuroimaging and Data Science ad Atlanta.

Fonte: Università del Maryland Baltimore County