Dieses Projekt untersucht die Hypothese, dass die Kombination aus Echtzeit-fMRI-Neurofeedback (fMRI-NF) und einer achtsamkeitsbasierten Intervention die Fähigkeit von Patienten mit AUD steigert, willentlich ihre striäre Reaktivität auf Alkohol-Reize zu reduzieren. Dazu untersuchen wir die Effizienz von fMRI-NF in Patienten, die vorher ein Achtsamkeits-Training erhalten haben vs. Patienten, die nur eine Standardbehandlung erhalten haben. Wir erwarten, dass die Kombination aus Achtsamkeits-Training und Neurofeedback zu einer Steigerung der Fähigkeit führt, die Kontrolle über habituelle Reaktionen auf alkohol-assoziierte Stimuli zurückzugewinnen.
Alcohol addiction ranks among the primary global causes of preventable death and disabilities in human population, but treatment options are very limited. Rational strategies for design and development of novel, evidence based therapies for alcohol addiction are still missing.
Alcohol dependence is characterized by cycles of excessive alcohol consumption, interspersed with intervals of abstinence, and frequent relapses. Relapse is a key element of this disease process and blocking relapse is therefore a key objective for the treatment of alcohol dependent patients.
In this project we will provide a novel discovery strategy based on the principles of systems medicine that uses mathematical and network theoretical models to identify brain sites and functional networks that can be targeted specifically by therapeutic interventions. To build predictive models of the ‘relapse-prone’ state of brain networks we will use magnetic resonance imaging, electrophysiology and neurochemical data from patients and laboratory animals. The mathematical models will be rigorously tested through experimental procedures aimed to guide the network towards increased resilience against relapse. We expect to identify hubs that promote ‘relapse-proneness’ and to predict how aberrant network states could be normalized. Proof of concept experiments in animals will need to demonstrate this possibility by showing directed remodeling of functional brain networks by targeted interventions suggested by the theoretical models. Thus, our translational goal will be achieved by a theoretical and experimental framework for making predictions based on fMRI and mathematical modeling, which is verified in animals, and which can be transferred to humans.
With our highly interdisciplinary EU consortium (PIs from seven European countries and Israel with outstanding expertise) it is expected that after having such a world-wide unique effort in place, new neurobiologically-defined treatment strategies will be delivered to our addicted patients and thus help to address a serious and widespread health problem in our European societies.
MOTIVATION
Die Nutzung von Smartphones und die damit einhergehende ständige Verfügbarkeit des Internets haben unsere Gesellschaft tiefgreifend verändert, hin zu einem neuen Arbeits-, Konsum- und Interaktionsverhalten. Allerdings gefährdet der überbordende Umgang mit digitalen Geräten Konzentration und mentale Gesundheit. Mittelfristig kommt es zu Kontrollverlust und reduzierter kognitiver Leistungsfähigkeit; langfristig zu psychischen Erkrankungen.
ZIELE UND VORGEHEN
Im Rahmen des Projekts SanePhone wird eine intelligente und dynamische Smartphone-Nutzungsoberfläche entwickelt, die die Nutzenden in einem nachhaltigen digitalen Lebensstil unterstützt. Die Anwendung beobachtet dazu das Nutzungsverhalten aus der Micro-Perspektive (Interaktionen innerhalb von Apps, z. B. einzelne Klicks und Likes) und verarbeitet die Daten ausschließlich lokal auf dem Handy. Ebenso feingliedrig unterstützt sie dann die Nutzenden dabei, ihre Verhaltensmuster zu verändern. Beispiele hierfür sind Änderungen von Farbe oder Helligkeit des Displays, das Verschwinden von Icons oder sanfte Vibration. Das Ziel ist es, die kognitive Belastung durch eine ständige Nutzung zu reduzieren und Abhängigkeit vorzubeugen.
INNOVATIONEN UND PERSPEKTIVEN
Die Entwicklung der intelligenten Smartphone-Oberfläche als Komponente des Betriebssystems erfolgt in Kooperation von Informatik und klinischer Psychologie. Anhand des Nutzungsverhaltens kann die KI individuell zugeschnittene Interventionen zur Minimierung kognitiver Belastungen einleiten.
