Dr. Kevin Hilbert

Dr. Kevin Hilbert erforscht personalisierte Psychotherapie für Patient*innen, bei denen Standardbehandlungen nicht wirken. Sein Fokus liegt auf der Identifikation von Vorhersagemarker — insbesondere Emotionsregulationsfähigkeiten — um vorab zu bestimmen, welche Therapiemethode für welche Person am erfolgreichsten ist. Ziel ist es, Psychiatrie und Psychotherapie individueller zu gestalten und damit Behandlungsabbrüche und Therapiefehlschläge zu reduzieren. Die Erkenntnisse adressieren ein zentrales Problem der klinischen Praxis: Viele Patient*innen profitieren nicht von der ihnen angebotenen Standardtherapie, was zu Leidensverlängerung und Ressourcenverschwendung führt.

🔒 Das System hat 272 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• FOR 5187/1: Personalisierte Psychotherapie für Patient*innen mit fehlendem Behandlungserfolg: Mechanismen, prädiktive Marker und klinische Anwendung (TP 7)

  Quelle ↗

  Die personalisierte Psychiatrie und Psychotherapie verfolgt das Ziel, die Behandlung einer psychischen Störung auf individuelle Patient:innencharakteristika abzustimmen. Dieser Ansatz erfordert leistungsfähige Prädiktoren zur Vorhersage des Erfolgs einer bestimmten Behandlungsmethode für eine spezifische Patient:in. Die bisherige Forschung zeigte, dass Emotionsregulation sowohl für die Psychopathologie als auch die kognitive Verhaltenstherapie (KVT) eine zentrale Rolle spielt, und dass der anteriore cinguläre Cortex (ACC) durch seine Integration in verschiedene Hirnnetzwerke ein entscheidender Knotenpunkt der Emotionsregulation ist. Wir schlagen eine dezidiert systemische Perspektive vor, um Biomarker aus bildgebenden Daten zur Einzelfallvorhersage des Behandlungserfolgs bei einer KVT für internalisierende Störungen zu entwickeln. Insbesondere wird unser Forschungsprojekt die ACC Vorhersagekraft durch drei leistungsfähige methodische Ansätze optimieren: i) die Verwendung eines effizienten Gradienten der Konnektivität zwischen Hirnarealen, welcher Veränderungen in der neuralen Grundlage explizit-kontrollierter und implizit-automatischer Emotionsregulation kodiert, ii) eine graphentheoretische Charakterisierung der ACC Netzwerke und iii) ein Ansatz zur Bayesianischen hierarchischen Modellierung von Hirnnetzwerken mit Fokus auf den ACC als zentralem Knotenpunkt. Wir werden unsere prädiktiven Modelle auf drei retrospektiven Datensätzen aus der Forschungsgruppe trainieren und feinabstimmen, und dann ihre Prädiktionsgenauigkeiten sowohl in den retrospektiven Datensätzen testen, als auch in dem prospektiven, unabhängigen Datensatz, der von SP1 erhoben wird. Zusammen erlauben uns diese Schritte die zentrale Hypothese zu prüfen, dass eine leistungsfähige Strategie des Ensemble-Lernens verschiedener Maße der ACC Netzwerk-Integration hohe Genauigkeiten bei der Vorhersage von KVT-Behandlungserfolg erzielen wird. Zusätzlich gehen die Ergebnisse dieses Projekts wieder in die Forschungsgruppe ein, indem eine optimale Charakterisierung der ACC-zentrierten funktionellen Systeme für SP2 bereitgestellt wird, indem die Vorhersagekraft unseres Modells mit anderen Prädiktoren aus bildgebenden Daten aus SP8 und SP9 verglichen wird, und indem untersucht wird, ob unser prädiktives Modell mit Strategien der Emotionsregulation aus SP5 beziehungsweise psychophysiologischen Markern der Emotionsregulation aus SP4 assoziiert ist. Insgesamt soll durch methodische Neuerungen sowie eine klare systemische Perspektive auf den ACC ein Prädiktor für KVT-Behandlungserfolg konstruiert werden, der gleichzeitig große Vorhersagekraft, hohe Reliabilität sowie eine gute Interpretierbarkeit aufweist.

• ENIGMA and global neuroscience: A decade of large-scale studies of the brain in health and disease across more than 40 countries

  2020

  Translational Psychiatry · DOI

  This review summarizes the last decade of work by the ENIGMA (Enhancing NeuroImaging Genetics through Meta Analysis) Consortium, a global alliance of over 1400 scientists across 43 countries, studying the human brain in health and disease. Building on large-scale genetic studies that discovered the first robustly replicated genetic loci associated with brain metrics, ENIGMA has diversified into over 50 working groups (WGs), pooling worldwide data and expertise to answer fundamental questions in neuroscience, psychiatry, neurology, and genetics. Most ENIGMA WGs focus on specific psychiatric and neurological conditions, other WGs study normal variation due to sex and gender differences, or development and aging; still other WGs develop methodological pipelines and tools to facilitate harmonized analyses of "big data" (i.e., genetic and epigenetic data, multimodal MRI, and electroencephalography data). These international efforts have yielded the largest neuroimaging studies to date in schizophrenia, bipolar disorder, major depressive disorder, post-traumatic stress disorder, substance use disorders, obsessive-compulsive disorder, attention-deficit/hyperactivity disorder, autism spectrum disorders, epilepsy, and 22q11.2 deletion syndrome. More recent ENIGMA WGs have formed to study anxiety disorders, suicidal thoughts and behavior, sleep and insomnia, eating disorders, irritability, brain injury, antisocial personality and conduct disorder, and dissociative identity disorder. Here, we summarize the first decade of ENIGMA's activities and ongoing projects, and describe the successes and challenges encountered along the way. We highlight the advantages of collaborative large-scale coordinated data analyses for testing reproducibility and robustness of findings, offering the opportunity to identify brain systems involved in clinical syndromes across diverse samples and associated genetic, environmental, demographic, cognitive, and psychosocial factors.