COGNITIVE IMPAIRMENT IN MOOD DISORDERS: NEUROPSYCHOLOGY, MULTIMODAL BRAIN IMAGING, AND THE EFFECT OF NEUROINFLAMMATION

Il peso dei disturbi dell'umore continua a crescere, con circa un terzo dei pazienti che non risponde agli antidepressivi. Una diagnosi accurata e tempestiva è essenziale per la somministrazione di un trattamento adeguato e per il decorso clinico. Tuttavia, a causa della sintomatologia sovrapposta, circa il 60% dei pazienti con disturbo bipolare (DB) viene inizialmente diagnosticato erroneamente come affetto da disturbo depressivo maggiore (DDM). Inoltre, entrambi i disturbi influenzano anche le funzioni cognitive indipendentemente dallo stato dell’umore, con un impatto significativo sul funzionamento psicosociale e sulla qualità della vita dei pazienti. Identificare biomarcatori affidabili per differenziare tra DDM e DB e per rilevare deficit cognitivi a livello individuale è fondamentale per sviluppare strategie di trattamento personalizzate. In questo lavoro è stato raccolto un ampio set di dati per 358 pazienti depressi (139 DDM e 219 DB), inclusi misure di diffusività della sostanza bianca (WM), misure di morfometria basata sui voxel e caratteristiche della connettività funzionale a riposo (rsFC), insieme a marcatori infiammatori periferici (PIM) e punteggi di rischio poligenico. Ogni caratteristica è stata inserita separatamente in una pipeline predittiva di machine learning per differenziare tra pazienti DDM e DB, così come tra pazienti cognitivamente integri e compromessi. La diffusività di WM, le misure di rsFC e i PIM sono stati in grado di differenziare tra pazienti DDM e DB con un'accuratezza che varia dal 62% al 69%. I deficit cognitivi sono stati rilevati in modo significativo solo dalle misure di materia grigia funzionale con il 67% di accuratezza. I risultati della differenziazione diagnostica suggeriscono che i pazienti con DB mostrano una compromissione leggermente maggiore ma diffusa dell'integrità della WM rispetto al DDM. Inoltre, i pazienti DDM e DB hanno mostrato distinti pattern di rsFC basati su seed all'interno del reward system, probabilmente riflettendo le differenze comportamentali tra depressione e mania. I due gruppi diagnostici hanno anche mostrato un profilo infiammatorio differenziale, con i pazienti DDM che reclutano anche un meccanismo di regolazione, contrariamente ai DB. L'identificazione dei pazienti con deficit cognitivo, invece, potrebbe dipendere da una perturbazione nell’equilibrio tra default mode network, executive control network, e salience network. Nel complesso, i nostri risultati dimostrano la fattibilità di distinguere i pazienti DB da quelli DDM e di identificare i pazienti con deficit cognitivi a livello individuale utilizzando caratteristiche di neuroimaging.

The burden of mood disorders continues to rise, with around a third of patients not responding to antidepressants. An accurate and timely diagnosis is essential for proper treatment administration and clinical course. However, due to overlapping symptomatology, approximately 60% of bipolar disorder (BD) patients are initially misdiagnosed as being affected by major depressive disorder (MDD). Furthermore, both disorders also affect cognitive functions independently of mood state, with a significant impact on patients’ psychosocial functioning and quality of life. Identifying reliable biomarkers to differentiate between MDD and BD and to detect cognitive deficits at the individual level is crucial to develop personalized treatment strategies. In this work a wide set of data was collected for 358 depressed patients (139 MDD and 219 BD), including white matter (WM) diffusivity measures, voxel-based morphometry measures, and resting-state functional connectivity (rsFC) features, along with peripheral inflammatory markers (PIMs) and polygenic risk scores. Each feature was entered separately into a machine learning predictive pipeline to differentiate between MDD and BD patients, as well as between cognitively intact and impaired patients. WM diffusivity, rsFC measures, and PIMs were able to differentiate between MDD and BD patients with accuracy ranging from 62% to 69%. Cognitive deficits were significantly detected only by functional grey matter measures with 67% of accuracy. Results from diagnosis differentiation suggest that BD patients exhibit a subtly greater compromission in WM integrity over a widespread network compared to MDD. Additionally, MDD and BD patients showed distinct seed-based rsFC patterns within the reward system, likely mirroring the behavioural differences between depression and mania. The two diagnostic groups also showed a differential inflammatory profile, with MDD patients also recruiting a regulatory mechanism, contrarily to BD. The identification of patients with cognitive impairment, instead, may rely on a disruption in the cross-talk between the default mode, the executive control, and the salience networks. Overall, our results demonstrate the feasibility of distinguishing BD from MDD patients and of identifying cognitively impaired patients at the individual level using neuroimaging features.