Vorhersage depressiver Episoden anhand klinischer Merkmale, kognitiver Eigenschaften, entzündungsbezogener Proteine und EEG-Daten

Warum Gehirnwellen und Bluttests Hinweise auf Stimmung liefern können

Depression betrifft Hunderte Millionen Menschen, dennoch stellen Ärztinnen und Ärzte die Diagnose meist weiterhin durch Gespräche mit Patientinnen und Patienten und mithilfe von Fragebögen. Diese Studie untersucht, ob verborgene Muster in Schlafproblemen, kognitiven Fähigkeiten, Gehirnaktivität und Immunmolekülen im Blut mit modernen Computerverfahren kombiniert werden können, um ein objektiveres Signal dafür zu liefern, wann jemand eine depressive Episode erlebt. Wenn ein solches Signal zuverlässig ist, könnte es Ärztinnen und Ärzten langfristig helfen, Depressionen früher zu erkennen und Behandlungen gezielter anzupassen.

Verschiedene Hinweisquellen zusammenbringen

Die Forschenden begleiteten 115 Erwachsene mit Major Depression und verglichen sie mit 66 gesunden Freiwilligen. Für jede Person sammelten sie ein breites Spektrum an Informationen: Symptombögen zu Depression, Angst, Freude und Schlaflosigkeit; detaillierte Tests zu Gedächtnis, Aufmerksamkeit und visuell-räumlichem Denken; eine spezielle Form der Hirnaufzeichnung namens EEG-Mikrozustände, die schnelle Verschiebungen in Gehirnnetzwerken erfasst; und die Konzentrationen von mehr als 30 entzündungsbezogenen Proteinen im Blut. 56 Patientinnen und Patienten wurden nach vier Wochen Antidepressivabehandlung erneut beurteilt. Die erste Datenerhebung der Patientengruppe zusammen mit allen gesunden Teilnehmenden diente zum Training von Computermodellen, während die Nachuntersuchungsdaten plus dieselbe gesunde Gruppe dazu dienten, wie gut diese Modelle Depressionen in neuen Messungen erkennen können.

Wie Computer nach einem Depressions-Fingerabdruck suchten

Da der Datensatz reichhaltig, aber moderat in der Größe war, bereinigte das Team ihn zunächst sorgfältig, entfernte häufig fehlende Messwerte und füllte kleinere Lücken mit etablierten statistischen Methoden. Anschließend verwendeten sie eine Technik namens Lasso-Regression, um Dutzende potenzieller Messgrößen auf eine kleinere Menge zu reduzieren, die die meisten Informationen darüber enthielt, wer depressiv war und wer nicht. Daraus konzentrierten sie sich auf acht herausragende Merkmale: Schwere der Schlaflosigkeit, Leistung bei einer visuell-räumlichen Aufgabe, die die Verarbeitung und Konstruktion visueller Informationen prüft, die mittlere Länge eines spezifischen EEG-Musters namens Mikrozustand D sowie fünf entzündungsbezogene Proteine im Blut (IL-8, IL-18, MMP-8, CD40 und CASP-8). Diese Merkmale wurden dann in sechs verschiedene Algorithmen des maschinellen Lernens eingespeist, die lernen, Muster zu erkennen, die Depressive von Gesunden unterscheiden.

Was das Modell über Körper und Gehirn bei Depression lernte

Alle sechs Computermodelle erreichten gute Leistungen, doch bei der Validierung an den Nachuntersuchungsdaten stach das k-nearest-neighbor-Modell hervor: Es klassifizierte etwa 95 % der Fälle korrekt und zeigte eine nahezu perfekte Trennung zwischen depressiven und nicht-depressiven Teilnehmenden. Um zu untersuchen, welche Signale am wichtigsten waren, nutzten die Forschenden eine Erklärmethode, die jedes Merkmal wie einen „Spieler“ behandelt, der zur Entscheidung des Modells beiträgt. Zwei Immunproteine, IL-8 und IL-18, erwiesen sich als besonders einflussreich, gefolgt vom Insomnie-Score, dem Protein MMP-8, dem Immunrezeptor CD40, dem Enzym CASP-8, der visuell-räumlichen Denkfähigkeit und der mittleren Dauer des EEG-Mikrozustands D. Als alle Entzündungsproteine aus dem Modell entfernt wurden, verschlechterte sich die Leistung stark, was zeigt, dass die Marker des Immunsystems nicht nur redundante Echoeffekte anderer klinischer oder Gehirnmaße waren, sondern einzigartige Informationen lieferten.

Was das für Schlaf, Denken und Entzündung bedeuten könnte

Das Muster der Ergebnisse passt zu einer wachsenden Forschungsbasis, die chronische Niedriggradentzündung und gestörte Gehirnnetzwerke mit Depression in Verbindung bringt. Personen mit Depression in dieser Studie schliefen tendenziell schlecht, dachten in bestimmten visuell-räumlichen Aufgaben weniger klar, zeigten veränderte zeitliche Merkmale des Mikrozustands D im EEG und hatten veränderte Spiegel mehrerer Immunproteine im Blut. Statt sich auf eine einzelne Messgröße zu verlassen, erzeugte das kombinierte Muster über diese Bereiche hinweg ein starkes Signal für eine depressive Episode. Die Befunde unterstreichen außerdem, dass Schlaflosigkeit und subtile kognitive Veränderungen nicht nur Begleiterscheinungen, sondern zentrale Bausteine des Depressionsbildes sind.

Wie diese Arbeit die künftige Versorgung unterstützen könnte

Für Laien lautet die Quintessenz, dass Depression Spuren im Körper und Gehirn hinterlässt, die durch sorgfältig ausgewählte Tests und intelligente Computeranalyse erfasst werden können. Die Studie legt nahe, dass ein relativ kleines Panel aus Schlafscores, kognitiven Messungen, Gehirnwellenmerkmalen und Blutproteinen zusammen Menschen mit Depression von gesunden Personen mit hoher Genauigkeit unterscheiden kann. Obwohl die Arbeit an einem einzigen Krankenhaus durchgeführt wurde und in größeren, vielfältigeren Gruppen über längere Zeiträume bestätigt werden muss, zeigt sie einen Weg zu objektiveren, biologisch informierten Werkzeugen, die eines Tages das klinische Gespräch bei Diagnose und Monitoring von Depression unterstützen, aber nicht ersetzen könnten.

Zitation: Sun, W., Yang, H., Sun, C. et al. Prediction of depressive episodes based on clinical features, cognitive characteristics, inflammation-related proteins, and EEG data. Transl Psychiatry 16, 202 (2026). https://doi.org/10.1038/s41398-026-03960-4

Schlüsselwörter: major depressive disorder, biomarker, Entzündung, EEG-Mikrozustände, maschinelles Lernen