MEXICO / LONDON (IT BOLTWISE) – Forschende haben ein spezifisches Muster der Gehirn-Connectivity identifiziert, das Menschen mit Kokainabhängigkeit klar von gesunden Kontrollpersonen abgrenzt. In einem zweiten, unabhängigen Datensatz zeigte das Modell weiterhin robuste Erkennungsleistung. Darüber hinaus konnten die gleichen Verbindungsmarker vorhersagen, ob eine Patientin oder ein Patient nach zwei Wochen rTMS-Therapie (magnetische Stimulation zur Reduktion von Cravings) deutlich weniger Cravings berichtet. Die Studie macht damit biologische Entscheidungsgrundlagen greifbarer, betont aber zugleich die Grenzen durch den Beobachtungscharakter der Bildgebung.
Kokaingebrauch ist nicht nur durch starken Suchtdruck geprägt, sondern auch durch eine hohe Rückfallquote. Genau deshalb suchen Behandler seit Jahren nach objektiveren Biomarkern, die die Diagnose verbessern und Therapien besser zuschneiden können. In einer jetzt veröffentlichten Arbeit wird dafür nicht primär auf Symptome oder Fragebögen gesetzt, sondern auf die Art, wie Hirnregionen im Ruhezustand miteinander gekoppelt sind. Die zentrale Idee: Wenn bestimmte Netzwerke auch ohne aktive Aufgaben im gleichen Rhythmus „zusammenarbeiten“, kann dieses Muster als funktionelle Signatur für eine Kokainabhängigkeit dienen.
Methodisch greifen die Forschenden auf funktionelles Magnetresonanz-Imaging im Ruhezustand (resting-state fMRI) zurück. Dabei wird gemessen, wie sich die Durchblutung in verschiedenen Gehirnarealen zeitgleich verändert, während die Probanden still im Scanner liegen. „Funktionelle Konnektivität“ beschreibt dann, wie stark unterschiedliche Regionen miteinander koordiniert feuern, und damit, wie sich aus Teilnetzwerken ein größeres Netzwerkverhalten ergibt. Vorangegangene Bildgebungsstudien hatten bereits Hinweise geliefert, dass Kokainabhängigkeit sowohl Hirnstrukturen als auch aktivitätsbezogene Muster verändert. Neu ist hier der Fokus auf die ruhebasierte Kommunikation zwischen Netzwerken, weil sie offenbar sensibler auf Dysfunktionen reagieren kann.
Um das Muster zu finden, sammelte das Team Daten aus einer Entdeckungsgruppe mit 129 Personen in Mexiko: 71 mit Kokaingebrauchsstörung und 58 gesunde Kontrollen. Für jede Person wurde die funktionelle Konnektivität zwischen Hirnregionen modelliert und anschließend in einen Machine-Learning-Ansatz eingespeist. Der Algorithmus sollte aus den Connectivity-Features diejenigen Signalräume herausarbeiten, die die beiden Gruppen zuverlässig unterscheiden. Das Ergebnis war eine klar abgrenzbare funktionelle Konnektivitäts-Signatur, die die Gruppen in diesem Trainingskontext mit 83 Prozent Genauigkeit separieren konnte. Auffällig waren dabei vor allem veränderte Kommunikationswege zwischen Netzwerken, die mit visueller Verarbeitung und Aufmerksamkeit verbunden sind, sowie ein erhöhter Austausch in Arealen, die mit zielgerichtetem Verhalten und sensorischer Aufmerksamkeit zusammenhängen. Gleichzeitig berichteten die Forschenden eine reduzierte Kopplung zwischen dem Default-Mode-Netzwerk, das stark mit internen Gedanken assoziiert wird, und einem Netzwerk, das für emotionale Verarbeitung steht.
Damit eine solche Signatur nicht nur ein Zufallsfund bleibt, wurde sie auf einer unabhängigen Replikationsstichprobe geprüft. Diese zweite Datenbasis umfasste 82 Patientinnen und Patienten mit Kokaingebrauchsstörung sowie 81 gesunde Kontrollen aus unterschiedlichen Standorten in den USA und in Mexiko. Wieder kam derselbe mathematische Modellansatz zum Einsatz, der die im ersten Datensatz gelernte Signatur auf neue Probanden übertrug. In dieser unabhängigen Gruppe lag die Klassifikationsleistung bei 70 Prozent, und die spezifischen Connectivity-Abweichungen aus dem ersten Datensatz traten ebenfalls konsistent auf. Für die Einordnung ist das wichtig: Die Ergebnisse sprechen damit eher für eine generalisierbare Eigenschaft der Kokainabhängigkeit als für eine reine Überanpassung auf lokale Dateneigenschaften.
Der zweite Teil der Arbeit prüft dann den klinisch entscheidenden Punkt: Lässt sich die Signatur als Prädiktor für die Therapieantwort verwenden? Dafür analysierten die Forschenden Daten aus einer randomisierten klinischen Studie mit 45 Personen, aufgeteilt in 25 mit aktiver magnetischer Stimulation und 20 mit einer Scheinbehandlung (sham). Entscheidend war, dass sie die Connectivity-Marker zunächst aus den Baseline-Scans isolierten und anschließend mit einem weiteren Modell verknüpften, ob deren Stärke nach zwei Wochen zu Änderungen in selbstberichteten Cravings führt. Die Vorhersage funktionierte für die aktive Behandlung: Bestimmte Connectivity-Konstellationen in den Frontallappen gingen mit einer stärkeren Reduktion der Cravings einher. Für die sham-Gruppe dagegen blieb die Vorhersage ohne Treffer – ein Befund, der nahelegt, dass die Signatur spezifisch zur tatsächlichen rTMS-Wirkung passt und nicht nur allgemein mit der Erkrankungsschwere korreliert.
Schließlich untersuchten die Forschenden, wie sich die Therapie selbst auf die Netzwerke auswirkte. Dazu verglichen sie die Scans vor und nach dem zweiwöchigen Behandlungszeitraum und berichteten, dass die aktive Stimulation die Kommunikation zwischen Netzwerken im Bereich kognitiver Kontrolle und motorischer/physischer Bewegung „normalisieren“ kann. Gleichzeitig bleibt die Aussagekraft durch das Studiendesign begrenzt: Die Bildgebung beruht auf Beobachtungsdaten, sodass sie keine kausale Richtung beweisen kann. Denkbar ist, dass anhaltender Kokainkonsum die Netzwerkkommunikation verändert – ebenso plausibel ist, dass vorbestehende Konnektivitätsmuster bestimmte Personen anfälliger machen. Dafür würden experimentelle Therapien benötigt, die gezielt in die relevanten Schaltkreise eingreifen, statt sie nur zu messen.
Für den praktischen Einsatz in der Versorgung ergeben sich zwei weitere Hürden. Erstens war das Verhältnis von Männern zu Frauen in den untersuchten Gruppen deutlich höher; die identifizierte Signatur könnte daher nicht vollständig abbilden, wie sich die Störung bei Frauen zeigt. Zweitens kommen unterschiedliche Scanner-Kalibrierungen und Datenaufnahmeroutinen zwischen Standorten als Störquellen hinzu, was Standardisierung und breitere, geografisch diversere Rekrutierung erforderlich macht. Wenn diese Punkte adressiert werden, könnte die Konnektivitätssignatur langfristig als Screening-Tool dienen – etwa, um vor einer rTMS-Eskalation zu prüfen, ob eine Patientin oder ein Patient ein günstigeres Profil für die Therapieantwort mitbringt. Die Studie ist unter dem Titel Discriminative functional connectivity signature of cocaine use disorder links to rTMS treatment response publiziert.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI erkennt Gehirn-Connectivity-Muster bei Kokainabhängigkeit und sagt rTMS-Wirkung voraus" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI erkennt Gehirn-Connectivity-Muster bei Kokainabhängigkeit und sagt rTMS-Wirkung voraus" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI erkennt Gehirn-Connectivity-Muster bei Kokainabhängigkeit und sagt rTMS-Wirkung voraus« bei Google Deutschland suchen, bei Bing oder Google News!