Advertisement

Der Nervenarzt

, Volume 90, Issue 11, pp 1117–1124 | Cite as

Computationale Psychiatrie

Datengetriebene vs. mechanistische Ansätze
  • Jakob Kaminski
  • Teresa Katthagen
  • Florian SchlagenhaufEmail author
Leitthema

Zusammenfassung

Das relativ junge Forschungsfeld der sog. computationalen Psychiatrie versucht, durch Anwendung computationaler Methoden zu einem Verständnis komplexer psychiatrischer Phänomene beizutragen und eine Translation neurowissenschaftlicher Forschungsergebnisse in die klinische Praxis zu fördern. Wir stellen dieses Forschungsfeld anhand ausgewählter Beispiele vor und gehen dabei von der Unterscheidung zwischen datengetriebenen und theoriegetriebenen Ansätzen aus. Exemplarisch für einen datengetriebenen Ansatz stehen Studien zur Vorhersage klinischer Verläufe beispielsweise bei Personen mit psychotischem Risikosyndrom oder zum Ansprechen auf eine medikamentöse Depressionstherapie. Mithilfe theoriegetriebener Ansätze bemühen sich Forscher*Innen darum, die Mechanismen veränderter Informationsverarbeitung als Ursache psychiatrischer Symptome auf der Verhaltens- und der neuronalen Ebene zu beschreiben. In computationalen Modellen können mögliche Mechanismen beschrieben werden, welche die gemessenen Verhaltens- oder neuronalen Daten wahrscheinlich hervorgebracht haben. Beispielsweise wurde bei an Schizophrenie erkrankten Patienten das klinische Phänomen der aberranten Salienz als Lernen irrelevanter Information beschrieben oder kognitive Defizite mit Konnektivitätsveränderungen in frontoparietalen Netzwerken in Verbindung gebracht. Die computationale Psychiatrie kann wichtige Beiträge zur Prädiktion individueller klinischer Verläufe sowie zu einem mechanistischen Verständnis psychiatrischer Symptome machen. Die Weiterentwicklung verlässlicher und valider Methoden über verschiedene Disziplinen hinweg ist hierzu unabdingbar.

Schlüsselwörter

Kognitive Neurowissenschaften Schizophrenie  Abhängigkeitserkrankungen Belohnungslernen Dynamische Kausalmodelle 

Computational psychiatry

Data-driven vs. mechanistic approaches

Abstract

The emerging research field of so-called computational psychiatry attempts to contribute to an understanding of complex psychiatric phenomena by applying computational methods and to promote the translation of neuroscientific research results into clinical practice. This article presents this field of research using selected examples based on the distinction between data-driven and theory-driven approaches. Exemplary for a data-driven approach are studies to predict clinical outcome, for example, in persons with a high-risk state for psychosis or on the response to pharmacological treatment for depression. Theory-driven approaches attempt to describe the mechanisms of altered information processing as the cause of psychiatric symptoms at the behavioral and neuronal level. In computational models possible mechanisms can be described that may have produced the measured behavioral or neuronal data. For example, in schizophrenia patients the clinical phenomenon of aberrant salience has been described as learning irrelevant information or cognitive deficits have been linked to connectivity changes in frontoparietal networks. Computational psychiatry can make important contributions to the prediction of individual clinical courses as well as to a mechanistic understanding of psychiatric symptoms. For this a further development of reliable and valid methods across different disciplines is indispensable.

Keywords

Cognitive neurosciences Schizophrenia Addictive disorders Reinforcement learning Dynamic causal modelling 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

J. Kaminski, T. Katthagen und F. Schlagenhauf geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Literatur

  1. 1.
    Bennett D, Silverstein SM, Niv Y (2019) The two cultures of computational psychiatrythe. JAMA Psychiatry 76(6):563–564.  https://doi.org/10.1001/jamapsychiatry.2019.0231 CrossRefPubMedGoogle Scholar
  2. 2.
    Brodersen KH, Deserno L, Schlagenhauf F et al (2014) Dissecting psychiatric spectrum disorders by generative embedding. Neuroimage Clin 4:98–111CrossRefGoogle Scholar
  3. 3.
    Chekroud AM, Zotti RJ, Shehzad Z et al (2016) Cross-trial prediction of treatment outcome in depression: a machine learning approach. Lancet Psychiatry 3:243–250CrossRefGoogle Scholar
  4. 4.
    Deserno L, Sterzer P, Wustenberg T et al (2012) Reduced prefrontal-parietal effective connectivity and working memory deficits in schizophrenia. J Neurosci 32:12–20CrossRefGoogle Scholar
  5. 5.
    Deserno L, Boehme R, Mathys C et al (2017) Overestimating environmental volatility increases switching behavior and is linked to activation of dorsolateral prefrontal cortex in schizophrenia. Preprint on bioRxiv: 227967.  https://doi.org/10.1101/227967 CrossRefGoogle Scholar
  6. 6.
    Enkavi AZ, Eisenberg IW, Bissett PG et al (2019) Large-scale analysis of test-retest reliabilities of self-regulation measures. Proc Natl Acad Sci USA 116:5472–5477CrossRefGoogle Scholar
  7. 7.
    Frassle S, Yao Y, Schobi D et al (2018) Generative models for clinical applications in computational psychiatry. Wiley interdisciplinary reviews. Cogn Sci 9:e1460Google Scholar
  8. 8.
    Friston KJ, Stephan KE, Montague R et al (2014) Computational psychiatry: the brain as a phantastic organ. Lancet Psychiatry 1:148–158CrossRefGoogle Scholar
  9. 9.
    Fukuda Y, Katthagen T, Deserno L et al (2019) Reduced parietofrontal effective connectivity during a working-memory task in people with high delusional ideation. J Psychiatry Neurosci 44:195–204CrossRefGoogle Scholar
  10. 10.
    Garbusow M, Schad DJ, Sebold M et al (2016) Pavlovian-to-instrumental transfer effects in the nucleus accumbens relate to relapse in alcohol dependence. Addict Biol 21:719–731CrossRefGoogle Scholar
  11. 11.
    Gillan CM, Kosinski M, Whelan R et al (2016) Characterizing a psychiatric symptom dimension related to deficits in goal-directed control. Elife 5. pii:e11305.  https://doi.org/10.7554/eLife.11305 CrossRefPubMedPubMedCentralGoogle Scholar
  12. 12.
    Heinz A (2017) A new understanding of mental disorders—computational models for dimensional psychiatry. MIT Press, Cambridge, MA; London, EnglandCrossRefGoogle Scholar
  13. 13.
    Huys QJ, Maia TV, Frank MJ (2016) Computational psychiatry as a bridge from neuroscience to clinical applications. Nat Neurosci 19:404–413CrossRefGoogle Scholar
  14. 14.
    Huys QJM, Maia TV, Paulus MP (2016) Computational psychiatry: from mechanistic insights to the development of new treatments. Biol Psychiatry 1:382–385Google Scholar
  15. 15.
    Katthagen T, Mathys C, Deserno L et al (2018) Modeling subjective relevance in schizophrenia and its relation to aberrant salience. PLoS Comput Biol 14:e1006319CrossRefGoogle Scholar
  16. 16.
    Koutsouleris N, Kambeitz-Ilankovic L, Ruhrmann S et al (2018) Prediction models of functional outcomes for individuals in the clinical high-risk state for psychosis or with recent-onset depression: a multimodal, multisite machine learning analysis. JAMA Psychiatry 75:1156–1172CrossRefGoogle Scholar
  17. 17.
    Lapuschkin S, Waldchen S, Binder A et al (2019) Unmasking Clever Hans predictors and assessing what machines really learn. Nat Commun 10:1096CrossRefGoogle Scholar
  18. 18.
    Maia TV, Frank MJ (2011) From reinforcement learning models to psychiatric and neurological disorders. Nat Neurosci 14:154–162CrossRefGoogle Scholar
  19. 19.
    Montague PR, Dolan RJ, Friston KJ et al (2012) Computational psychiatry. Trends Cogn Sci 16:72–80CrossRefGoogle Scholar
  20. 20.
    Nielsen JD, Madsen KH, Wang Z et al (2017) Working memory modulation of frontoparietal network connectivity in first-episode schizophrenia. Cereb Cortex 27(7):3832–3841.  https://doi.org/10.1093/cercor/bhx050 CrossRefPubMedGoogle Scholar
  21. 21.
    Radua J, Schmidt A, Borgwardt S et al (2015) Ventral striatal activation during reward processing in psychosis: A neurofunctional meta-analysis. JAMA Psychiatry 72(12):1243–1251.  https://doi.org/10.1001/jamapsychiatry.2015.2196 CrossRefPubMedGoogle Scholar
  22. 22.
    Reiter AM, Deserno L, Kallert T et al (2016) Behavioral and neural signatures of reduced updating of alternative options in alcohol-dependent patients during flexible decision-making. J Neurosci 36:10935–10948CrossRefGoogle Scholar
  23. 23.
    Rothkirch M, Tonn J, Kohler S et al (2017) Neural mechanisms of reinforcement learning in unmedicated patients with major depressive disorder. Brain 140:1147–1157CrossRefGoogle Scholar
  24. 24.
    Schlagenhauf F, Huys QJ, Deserno L et al (2014) Striatal dysfunction during reversal learning in unmedicated schizophrenia patients. Neuroimage 89:171–180CrossRefGoogle Scholar
  25. 25.
    Schmidt A, Smieskova R, Aston J et al (2013) Brain connectivity abnormalities predating the onset of psychosis: correlation with the effect of medication. JAMA Psychiatry 70:903–912CrossRefGoogle Scholar
  26. 26.
    Schultz W (1997) A neural substrate of prediction and reward. Science 275:1593–1599CrossRefGoogle Scholar
  27. 27.
    Sebold M, Nebe S, Garbusow M et al (2017) When habits are dangerous: alcohol expectancies and habitual decision making predict relapse in alcohol dependence. Biol Psychiatry 82:847–856CrossRefGoogle Scholar
  28. 28.
    Stephan KE, Iglesias S, Heinzle J et al (2015) Translational perspectives for computational neuroimaging. Neuron 87:716–732CrossRefGoogle Scholar
  29. 29.
    Stephan KE, Penny WD, Moran RJ et al (2010) Ten simple rules for dynamic causal modeling. Neuroimage 49:3099–3109CrossRefGoogle Scholar
  30. 30.
    Stephan KE, Siemerkus J, Bischof M et al (2017) Hat Computational Psychiatry Relevanz für die klinische Praxis der Psychiatrie? Z Psychiatr Psychol Psychother 65:9–19Google Scholar
  31. 31.
    Voon V, Derbyshire K, Ruck C et al (2015) Disorders of compulsivity: a common bias towards learning habits. Mol Psychiatry 20:345–352CrossRefGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  • Jakob Kaminski
    • 1
    • 2
  • Teresa Katthagen
    • 1
  • Florian Schlagenhauf
    • 1
    • 3
    Email author
  1. 1.Klinik für Psychiatrie und PsychotherapieCharité – Universitätsmedizin Berlin, corporate member of Freie Universität Berlin, Humboldt-Universität zu Berlin, and Berlin Institute of Health, Campus MitteBerlinDeutschland
  2. 2.Berlin Institute of HealthBerlinDeutschland
  3. 3.Bernstein Center for Computational NeuroscienceBerlinDeutschland

Personalised recommendations