Lifespan Precision Psychiatry Lab (LIPPs Lab)

Was sind distinkte und gemeinsame Vorläufer psychischer Erkrankungen? Welche zugrunde liegenden Mechanismen zeichnen die Entwicklungsverläufe der Psychopathologie aus? Was sind die besten Modelle und Algorithmen für eine genaue Vorhersage dieser Verläufe?

Mehr als 60% aller psychiatrischen Störungen beginnen vor dem 25. Lebensjahr (Solmi et al., Mol Psychiatry. 2022). Im Frühstadium kann eine genaue Diagnose aufgrund der Variabilität der Symptome eine Herausforderung darstellen. Depressive Symptome können sich beispielsweise als Vorläufer verschiedener Erkrankungen manifestieren, darunter unipolare Depressionen, bipolare Störungen und psychotische Störungen. Aus diesem Grund konzentrieren wir uns in dieser Arbeitsgruppe insbesondere auf junge Menschen, arbeiten aber auch an Projekten, die sich auf die gesamte Lebensspanne beziehen. Unser Ziel ist es, die den Symptomen zugrunde liegenden multimodalen Muster zu charakterisieren und genaue Vorhersagen für Menschen mit psychischen Symptomen zu ermöglichen. Um dies zu erreichen, nutzen wir große, multimodale Datensätze (z.B. klinische Daten, sMRT, rs-fMRT, Blutproben) in Kombination mit maschinellem Lernen und anderen KI-Methoden. Wir glauben, dass Kollaboration und offene Wissenschaft die Zukunft solcher Studien sind. Derzeit konzentrieren wir uns auf die folgenden Bereiche:

• Nutzung multimodaler Daten aus der Early-BipoLife-Studie (https://www.bipolife.org/) zur Vorhersage der klinischen Prognose bei jungen Menschen mit Risikofaktoren für eine bipolare Störung.
• Charakterisierung von Veränderungen der funktionellen Konnektivität entlang des affektiven Symptomkontinuums
• Einsatz großer Sprachmodelle zur Nutzung elektronischer Patientenakten für die Risikostratifizierung bei psychiatrischen Notfällen (in Zusammenarbeit mit dem Else Kroener Fresenius Center for Digital Health).

What are the distinct and common antecedents of major psychiatric disorders? What underlying mechanisms distinguish developmental trajectories of psychopathology? What are the best features and algorithms for accurate prediction?

Over 60% of psychiatric disorders begin before the age of 25 (Solmi et al., Mol Psychiatry. 2022). In the early stages, accurate diagnosis can be challenging due to the fluctuating nature of symptoms and psychopathology. For example, depressive symptoms can manifest as a precursor to several conditions, including unipolar depression, bipolar disorder, and psychotic disorders. Therefore, we have a strong focus on young people, but we also work on projects that target the entire lifespan. Our goal is to characterize the underlying patterns associated with psychopathology and to enable accurate predictions for individuals with mental health symptoms and behaviors. To achieve this, we use large, multimodal data (e.g., clinical data, sMRI, rs-fMRI, blood samples) in combination with machine learning and other AI methods. We believe that collaboration and open science are the future of such studies. We are currently focusing on the following areas:

• Using multimodal data from the Early-BipoLife study (https://www.bipolife.org/) to predict clinical outcome in young people with risk factors for bipolar disorder
• Characterizing alterations of functional connectivity along the affective symptom continuum
• Using large language models to utilize electronic health records for risk stratification in psychiatric emergencies (in collaboration with the Else Kroener Fresenius Center for Digital Health).

Group leaders:

PD Dr. med. habil. Eva Mennigen & Pavol Mikolas, PhD 

Contact: eva mennigen  pavol mikolas

Lab meetings: Wednesday 2 pm

Open positions: We are looking for motivated Master students with a background in neuroscience, psychology or computer science interested in developmental neuroscience and neuroimaging.

Collaborators:

Michael Marxen, PhD, TUD

Prof. Katja Beesdo-Baum TUD

Prof. Stefan Ehrlich, KJP, UKD

Prof. Tilo Kircher, Uni Marburg

Prof. Udo Dannlowski, Uni Münster

Prof. Paola Dazzan, King’s College London

Prof. Carrie Bearden, University of California, Los Angeles

Prof. Vince Calhoun, Georgia State University/ Georgia Institute of Technology/ Emory University

Dr. Dr. David Popovic, Max Planck institute for Psychiatry, Munich, Germany

Dr. Paris Alexandros Lalousis, King´s College London

Members:

Fabian Huth, MSc

Paula Marie Henneberg, MSc

Guillermo Calvi

Patricia Graf, BSc

Vincent Meyer

Publications:

Wiest, I. C., Verhees, F. G., Ferber, D., Zhu, J., Bauer, M., Lewitzka, U., Pfennig, A., Mikolas, P., & Kather, J. N. (2024). Detection of Suicidality Through Privacy-Preserving Large Language Models (S. 2024.03.06.24303763). medRxiv. https://doi.org/10.1101/2024.03.06.24303763

Huth, F., Tozzi, L., Marxen, M., Riedel, P., Bröckel, K., Martini, J., Berndt, C., Sauer, C., Vogelbacher, C., Jansen, A., Kircher, T., Falkenberg, I., Thomas-Odenthal, F., Lambert, M., Kraft, V., Leicht, G., Mulert, C., Fallgatter, A. J., Ethofer, T., … Mikolas, P. (2023). Machine Learning Prediction of Estimated Risk for Bipolar Disorders Using Hippocampal Subfield and Amygdala Nuclei Volumes. Brain Sciences, 13(6), Article 6. https://doi.org/10.3390/brainsci13060870

Mikolas, P., Marxen, M., Riedel, P., Bröckel, K., Martini, J., Huth, F., Berndt, C., Vogelbacher, C., Jansen, A., Kircher, T., Falkenberg, I., Lambert, M., Kraft, V., Leicht, G., Mulert, C., Fallgatter, A. J., Ethofer, T., Rau, A., Leopold, K., … Pfennig, A. (2023). Prediction of estimated risk for bipolar disorder using machine learning and structural MRI features. Psychological Medicine, 1–11. https://doi.org/10.1017/S0033291723001319

Mikolas, P., Vahid, A., Bernardoni, F., Süß, M., Martini, J., Beste, C., & Bluschke, A. (2022). Training a machine learning classifier to identify ADHD based on real-world clinical data from medical records. Scientific Reports, 12(1), 12934. https://doi.org/10.1038/s41598-022-17126-x

Mikolas, P., Bröckel, K., Vogelbacher, C., Müller, D. K., Marxen, M., Berndt, C., Sauer, C., Jung, S., Fröhner, J. H., Fallgatter, A. J., Ethofer, T., Rau, A., Kircher, T., Falkenberg, I., Lambert, M., Kraft, V., Leopold, K., Bechdolf, A., Reif, A., … Pfennig, A. (2021). Individuals at increased risk for development of bipolar disorder display structural alterations similar to people with manifest disease. Translational Psychiatry, 11(1), 485. https://doi.org/10.1038/s41398-021-01598-y

Mennigen, E., & Bearden, C. E. (2020). Psychosis Risk and Development: What Do We Know From Population-Based Studies? Biological Psychiatry, 88(4), 315–325. https://doi.org/10.1016/j.biopsych.2019.12.014

Mennigen, E., Jolles, D. D., Hegarty, C. E., Gupta, M., Jalbrzikowski, M., Olde Loohuis, L. M., Ophoff, R. A., Karlsgodt, K. H., & Bearden, C. E. (2020). State-Dependent Functional Dysconnectivity in Youth With Psychosis Spectrum Symptoms. Schizophrenia Bulletin, 46(2), 408–421. https://doi.org/10.1093/schbul/sbz052

Mennigen, E., Fryer, S. L., Rashid, B., Damaraju, E., Du, Y., Loewy, R. L., Stuart, B. K., Calhoun, V. D., & Mathalon, D. H. (2019). Transient Patterns of Functional Dysconnectivity in Clinical High Risk and Early Illness Schizophrenia Individuals Compared with Healthy Controls. Brain Connectivity, 9(1), 60–76. https://doi.org/10.1089/brain.2018.0579

Current Funding

IRTG 2773 “Risks and Pathomechanisms of Affective Disorders”