AG Precision Mental Health, Pavol Mikolas, PhD

Wir integrieren multimodale Datensätze und KI-gestützte Methoden, um (a) die Identifikation von Personen mit Risiko für eine psychische Störung, (b) Vorhersage ihres klinischen Verlaufs und (c) Unterstützung bei Therapieentscheidungen zu verbessern. Unser Schwerpunkt liegt insbesondere auf dem Risiko für affektive und psychotische Erkrankungen. Wir wenden maschinelles Lernen auf groß angelegten, multizentrischen Datensätzen wie der Early-BipoLife-Studie an. Darüber hinaus nutzen wir große Sprachmodelle zur Analyse medizinischer Dokumentationen und Sprachdaten, um psychiatrische Symptome, Notfälle und die Früherkennung von psychischen Erkrankungen zu verbessern. Unser Ziel ist es nicht nur, neue prädiktive Modelle zu entwickeln, sondern diese auch in die klinische Praxis zu überführen – beispielsweise in Form eines Clinical Decision Support Systems (CDS).

Projekte

Validierung und Optimierung von Risikoklassifikatoren für Psychose und Manie bei Jugendlichen und jungen Erwachsenen unter Verwendung hochheterogener, multinationaler Datensätze und KI-gestützter Methoden.
KI-gestützte Methoden zur Erfassung und Analyse psychiatrischer Symptome aus medizinischer Dokumentation und Sprache.
KI-gestützte Identifikation von Lithium-Respondern: Automatisierte Analyse der Alda-Skala aus elektronischen Krankenakten.
Verbesserung der Vorhersage von Behandlungsergebnissen bei therapieresistenter Depression mittels Methoden der Künstlichen Intelligenz

Publikationen (Auswahl)

Wiest IC*, Verhees FG*, Ferber D, Zhu J, Bauer M, Lewitzka U, … Mikolas P.*, Kather JN* et al. Detection of suicidality from medical text using privacy-preserving large language models. The British Journal of Psychiatry 2024; 225: 532–7.

Mikolas P, Marxen M, Riedel P, Bröckel K, Martini J, Huth F, et al. Prediction of estimated risk for bipolar disorder using machine learning and structural MRI features. Psychol Med 2023; : 1–11.

Huth F, Tozzi L, Marxen M, Riedel P, Bröckel K, Martini J,… Mikolas P et al. Machine Learning Prediction of Estimated Risk for Bipolar Disorders Using Hippocampal Subfield and Amygdala Nuclei Volumes. Brain Sciences 2023; 13: 870.

Mikolas P, Vahid A, Bernardoni F, Süß M, Martini J, Beste C, et al. Training a machine learning classifier to identify ADHD based on real-world clinical data from medical records. Sci Rep 2022; 12: 12934.

Mikolas P, Bröckel K, Vogelbacher C, Müller DK, Marxen M, Berndt C, et al. Individuals at increased risk for development of bipolar disorder display structural alterations similar to people with manifest disease. Transl Psychiatry 2021; 11: 485.

Mikolas P*, Tozzi L*, Doolin K, Farrell C, O’Keane V, Frodl T. Effects of early life adversity and FKBP5 genotype on hippocampal subfields volume in major depression. Journal of Affective Disorders 2019; 252: 152–9.

Mikolas P, Melicher T, Skoch A, Matejka M, Slovakova A, Bakstein E, et al. Connectivity of the anterior insula differentiates participants with first-episode schizophrenia spectrum disorders from controls: a machine-learning study. Psychol Med 2016; 46: 2695–704.

*shared first/last authors

Kooperationen (Auswahl)

EKFZ for Digital Health (https://digitalhealth.tu-dresden.de/)

ScaDS.AI Dresden/Leipzig (https://scads.ai)

European College of Neuropsychopharmacology (ECNP) Bipolar Disorders Network (https://www.ecnp.eu/research/ecnp-networks/list-of-ecnp-networks/bipolar-disorders-network)

Institute of Psychiatry, Psychology & Neuroscience (IoPPN), King’s College London, London, UK (https://transcampus.eu)

Max-Planck-Institut für Psychiatrie, München (https://www.psych.mpg.de/)