Frühzeitig präventiv handeln: ca. 20% der Hilfesuchenden mit Risikofaktoren entwickeln innerhalb von 2 Jahren eine Psychose. Eine unbehandelte Psychose geht mit schwereren Krankheitsverläufen einher. Bei chronifizierten Krankheitsverläufen sind die Folgen deutlich einschneidender.
Das Projekt hat sich zum Ziel gesetzt, das bisherige Wissen von Vulnerabilität und Schutzfaktoren bei Psychose in einem dynamischen Netzwerk-Ansatz mit Fokus auf Resilienz zu explorieren. Netzwerk-Modelle erlauben die Komplexität psychischer Störungen durch dynamischer Verbindungen einzelner Symptome besser zu visualisieren und zu verstehen. Es besteht die Erwartung, dass protektive Faktoren, rechtzeitig aktiviert, eine relevante Rolle bei der Psychose-Entwicklung haben.
Die Resultate dieses Projekts sollen sowohl in wissenschaftlicher, als auch in praktischer Hinsicht zu einem Erkenntnisgewinn beitragen. Durch die visuelle Darstellung der Symptome im Netzwerk-Ansatz können Betroffene aber auch klinische Fachpersonen praxisnahe kausale Zusammenhänge von Psychopathologie und Resilienz bei Psychose intuitiver konzeptualisieren. Auf Basis des gewonnenen profunden wissenschaftlichen Erkenntnisse können forschungsbasierte klinische Interventionen abgeleitet werden.
Improving early detection of psychosis remains a substantial challenge in research and in clinical practice. Such early detection of the first signs of psychosis is paramount, however, in order to avoid onset of psychosis or prevent increases in severity. There are currently two early detection approaches to define clinical high risk among emerging psychosis, defining a basic symptoms (BS) criterion, or an ultra-high risk (UHR) criterion.
There is considerable room to improve psychosis prediction and the current project aims to fill this gap. Previous approaches mostly aimed to detect psychosis using regression, multivariate modelling or machine learning approaches and have shown some inconsistencies between studies, hence indicating the necessity of refinement and improving precision models in this field. Network Analysis (NA) has been rarely exploited for at-risk mental state for psychosis. Further criteria such as protective factors are essential to improve the prediction, which only few studies have focused.
Specifically, I will apply NA, an innovative explanatory data analytical approach, to data on psychopathological symptoms in a sample of 150 ultra-high risk persons for psychosis. The main question of this project is what factors associate and predict psychosis among at-risk individuals. A network will thus be constructed
(i) cross-sectionally to identify interrelations between the psychopathological symptoms and neurocognitive measures
(ii) prospective longitudinally to identify dynamic associations between psychopathological symptoms, neurocognitive measures and protective factors.
The proposed research project will try to push forward efforts to understand the psychopathological pathways, the influence of protective factors on psychosis and predictors for psychosis. Finally, the findings of the study can also improve the implementation of specific treatment for this population by providing treatment targets in order to avoid conversion to full-blown psychosis.
Last updated:06.03.2022
