Störungen der Aufwachphase sind sowohl in der Human-, als auch Veterinäranästhesiologie von Bedeutung. So kann eine verlängerte, aber auch eine unruhige exzitatorische Aufwachphase zusätzlichen intensivmedizinischen, zeitlichen und finanziellen Aufwand bedeuten. Eine Vielzahl von metabolischen und neuropathologischen, aber auch pharmakologischen Insulten werden insbesondere beim Menschen als Ursachen derartiger Aufwachstörungen beschrieben. Unter anderem scheint auch ein zentraler Acetylcholinmangel mitverantwortlich zu sein. Dieser Mangel wird durch die Anwendung von Physostigmin als indirektes, zentral wirkendes Parasympathomimetikum behoben. Inhalt dieser Studie ist der Einsatz von Physostigmin in der Aufwachphase des Hundes nach zwei gängigen l-Methadon-Narkoseprotokollen. Zum einen sollten Wirkungen und Nebenwirkungen des Medikamentes untersucht werden. Zum anderen sollte geklärt werden, ob Physostigmin in der Lage ist, die Aufwachphase in beiden Narkoseregimen zu verkürzen und auftretende Aufwachstörungen beseitigen zu können. Daraus resultierend war zu klären, ob ein Teil der vorhandenen Aufwachstörungen als Folge einer zentral anticholinergen Blockade auftreten und dem Zentral Anticholinergischen Syndrom (ZAS) zugeordnet werden können. Methodik: Die Untersuchung wurde an 40 klinisch gesunden Hunden (ASA I, II) nach elektiven Eingriffen oder Verfahren bildgebender Diagnostik in der postoperativen Aufwachphase durchgeführt. Zwanzig Tiere erhielten zur Narkoseeinleitung Diazepam und Levomethadon (DLA-Gruppe), zwanzig weitere Acepromazin und Levomethadon (ALA-Gruppe). Im Blindversuch wurde jeweils zehn Tieren pro Narkosegruppe Physostigmin (0,04 mg/kg KM als intravenöse Kurzinfusion über 10 Minuten, Gruppen DLAVerum, ALAVerum) und den anderen zehn Tieren 0,9%-ige Kochsalzlösung (Gruppen DLAPlacebo, ALAPlacebo) verabreicht. Die Untersuchungen beinhalteten die Messungen der Vitalparameter (Herzfrequenz, -rhythmus, arterieller systolischer und diastolischer Blutdruck, kapilläre Rückfüllzeit, Schleimhautfarbe Zusammenfassung 94 und innere Körpertemperatur), des Sedations- und Algesiegrades sowie Laboruntersuchungen (arterielle Blutgasanalytik, Säure-Base-Status, Hämatologie und klinische Chemie) und klinische Nebenwirkungen des Physostigmins. Darüber hinaus wurde das Aufwachverhalten beurteilt und mit dem ebenfalls dokumentierten Einschlafverhalten verglichen. Die Daten wurden in der ersten Stunde nach Applikation der Prüfsubstanz im Abstand von 10 Minuten sowie 120 und 180 Minuten nach Applikation erfasst. Hämatologische und klinisch chemische Untersuchungen erfolgten als Ausgangswerte vor Applikation sowie nach 60 Minuten. Ergebnisse: DLAVerum-Tiere besitzen unter Physostigmingabe einen signifikant niedrigeren Sedationsgrad im Messintervall 10 bis 40 Minuten (p< 0,05). Diese Tiere sind bereits 15 Minuten nach Beginn der Untersuchung in der Lage den Kopf zu heben (DLAPlacebo 30 Minuten). Im ALA-Regime konnten hier keine Unterschiede beobachtet werden. Der Algesiegrad aller vier Gruppen ist annähernd gleich. Nur zu drei Messzeiten ist dieser in DLAVerum um 1-2 Grade über der DLAPlacebo (0-27 Punkte). Das Aufwachverhalten unterscheidet sich nicht signifikant zwischen den Physostigmin-behandelten und -unbehandelten Tieren der beiden Narkoseregime und auch nicht zum Einschlafverhalten. In DLAVerum steigt die Herzfrequenz (nach initialem Abfall) wie auch der systolische Blutdruck tendenziell an (nicht signifikant). DLAPlacebo und ALAPlacebo zeigen konstante Herzfrequenzen und Blutdrücke. Signifikante Unterschiede fehlen zwischen DLAVerum und DLAPlacebo. ALAVerum hat signifikant niedrigere Blutdrücke zum Zeitpunkt 10 bis 40 Minuten als ALAPlacebo (p< 0,05). Schleimhautfarbe, Pulsqualität und Körpertemperatur unterscheiden sich nicht zwischen Physostigmin-behandelten und -unbehandelten Tieren beider Anästhesiegruppen (p> 0,05), verbessern sich jedoch mit Zunahme der Untersuchungszeit. Alle Tiere besitzen eine ausgeprägte respiratorische Azidose zu Untersuchungsbeginn. Signifikante Unterschiede bestehen zwischen DLAVerum und DLAPlacebo. Der paCO2 und der pH-Wert sind nach Physostigmingabe signifikant näher am Referenzbereich. Unterschiede zwischen Verum und Placebo fehlen im ALA-Regime. Bei der angewendeten Dosis wurden als Nebenwirkungen Brady- und Tachykardien beobachtet. Zusammenfassend kann ein antisedativer Effekt nur im Diazepam-l-Methadon-Regime unter Physostigmingabe beobachtet werden. Physostigmin lindert die atemdepressive Wirkung des Opioids Levomethadon in der DLAVerum-Gruppe. Derartige Effekte fehlen in der Acepromazin- l-Methadon-Narkose. In dieser Narkose wird einzig die blutdrucksenkende Wirkung des Acepromazins deutlich verstärkt, was bei alten oder kreislauf-insuffizienten Tieren von Bedeutung sein könnte. Unruhezustände, Lautäußerungen und Muskelzuckungen sind mit und ohne Physostigmin in gleichem Maße vorhanden. Ein zentraler Acetylcholinmangel kann für die beobachteten Aufwachstörungen nicht verantwortlich gemacht werden, da in diesem Fall Physostigmin eine Wirkung zeigen müsste. Ein „Zentral Anticholinergisches Syndrom“ lag somit nicht vor. / Disorders of anaesthetic recovery are found in human but also in veterinary medicine. It is important to understand, that a prolonged or an excitatory stage of recovery causes an additional time in post anaesthesia care unit and financial effort. Animals with agitation represent a risk factor for anaesthesia staff. Many metabolic, neuropathological and pharmacological insults cause these disorders in humans. A lack of acetylcholine within the brain seems to be a cause of arousal disorders. The therapy of choice is the application of physostigmine, as an indirect parasympathomimetic drug. The purpose of this study was the examination of the application of physostigmine in anaesthetic recovery of two l-methadone-anaesthetic regimes. Effects and side effects of physostigmine application in dogs should be described. The following questions should be answered additionally: Is physostigmine able to reduce the time of anaesthetic recovery? Can physostigmine restore disorders of anaesthetic recovery? Is the central anticholinergic syndrome (CAS) a cause of these disorders of anaesthetic recovery? Methods: The investigations were carried out on 40 clinically healthy dogs (ASA I & II) undergoing anaesthesia for elective surgery or diagnostic imaging. Patients were allocated to two different induction protocols: DLA (diazepam-l-methadone) and ALA (acepromacine-lmethadone). In both groups (n=20) 10 dogs received blinded either Physostigmine (n=10; verum) or isotonic saline (n=10; placebo) intravenously in randomized fashion. Following parameters were measured in postoperative period: heart rate, systolic and diastolic blood pressure and respiratory rate, colour of mucous membranes, capillary filling time and rectal body temperature. Analysis of arterial blood gas values and acid base status were performed. A modified numeric rating scale was used for calculating the sedation depth and a Summary 96 cumulative scale for measuring the intensity of algesia. Furthermore a comparison between sleep behaviour and arousal behaviour had been drawn. All parameters were evaluated at time 0 (beginning of application of verum versus placebo), every 10 minutes within the first hour and after the second and third hour. Blood samples (haematological, clinical chemistry) were collected at time point 0 and 60. Side effects of medication were documented. Results: There was a significant lower degree of sedation in DLAVerum compared to DLAPlacebo (p< 0.05), but not in ALA. The degree of pain in DLAVerum is two points over DLAPlacebo. No significant difference among the four groups has been found in behaviour of arousal, vocalization and the incidence of tremor and seizures. Heart rate and blood pressure increase none significantly in DLAVerum in contrast to DLAPlacebo (constant values). A significant reduction in systolic and diastolic blood pressure in ALAVerum, but not in ALAPlacebo was noticeable. Blood pressure in DLAVerum and DLAPlacebo was significant higher than in ALAVerum and ALAPlacebo. There was no significant difference between physostigmine treated and placebo treated animals in pulse quality, rectal body temperature and colour of mucous membranes. A respiratory acidosis has been found in nearly all dogs at the beginning of the investigation. Physostigmine has significantly reduced this opioid induced respiratory depression in DLA but not in ALA. The influence of Physostigmine in reversal of sedation, respiratory depression and restoration of blood pressure was time dependant. Differences were seen in time point 10 to 40 (50) minutes. Side effects were bradycardia and tachycardia, but not nausea or vomiting in contrast to human literature. Conclusion: The antisedative effect has been found only in diazepam-l-methadone-group, while the pressure depressant influence only in acepromacine-l-methadone group became obvious. Physostigmine intensifies the pressure depressant effect of acepromacine. Changes in blood pressure occurred in physical limits only but should be considered in cardiac and circulation insufficient patients. In this study it could be demonstrated that physostigmine could not resolve arousal disorders like restlessness, vocalization, tremor and seizures in dogs. A central lack of acetylcholine (a central anticholinergic syndrome) can not be therefore the cause of these problems. Physostigmine should be limited to severe agitation and prolonged times of arousal cases. Other causes of arousal disorders should be excluded before treatment. After application of physostigmine the supervision with ecg and blood pressure monitoring seems to be necessary.

No description available.

Hintergrund: Die zuverlässige Erkennung von Frühwarnzeichen bei Bipolaren Erkrankungen ist für die Prä-vention neuer Krankheitsepisoden von essentieller Bedeutung (Morriss et al., 2007), unterliegt in der Durchführung im klinischen Alltag jedoch verzerrungsbedingt einigen Schwierigkeiten (Kessler et al., 2000; Solhan et al., 2009). Manchen dieser Schwierigkeiten kann mittels ambu-lantem Assessment begegnet werden (Trull & Ebner-Priemer, 2013). Für eine Erkennung und Differenzierung affektiver Zustandsbilder mittels kontinuierlicher Erfassung objektiver verhal-tensorientierter Parameter per Smartphone in Echtzeit im Alltag der Patienten existieren einige Hinweise (Abdullah et al, 2016; Beiwinkel et al., 2016; Faurholt-Jepsen et al., 2016b; Grünerbl et al., 2015; Palmius et al., 2017). Hierbei zeigen sich jedoch teils recht heterogene Befunde, möglicherweise mitbedingt durch Studiendesigns mit kurzen Beobachtungszeiträumen, gerin-gen Fallzahlen und seltenen Fremdratings. Durch ein entsprechend längerfristig angelegtes Design mit häufigen Fremdratings versucht die vorliegende Arbeit eine breitere Datengrundla-ge zu schaffen. Fragestellung: Auf dieser Basis wird die Fragestellung untersucht, welche mittels ambulantem Assessment erhobenen verhaltensorientierten Parameter aus den Bereichen Kommunikation, Bewegung und Aktivität (hypo)manische und depressive Zustandsbilder abbilden und affektive Episoden statistisch vorhersagen können. Methode: Hierfür wurden bei 29 bipolaren Patienten über jeweils 12 Monate über eine App sowie einen am Handgelenk zu tragenden Bewegungssensor kontinuierlich objektive verhaltensorientierte Parameter aus den Bereichen Kommunikation, Aktivität und Bewegung aufgezeichnet. Zusätz-lich wurden von den Patienten abendliche subjektive Abfragen zu Stimmung, Schlaf und Medi-kation beantwortet. Psychodiagnostische Interviews zur Erhebung aktueller affektiver Symp-tome fanden 14-tägig statt. Hierbei kamen verschiedene dimensionale Ratingskalen zur Ein-schätzung aktueller (hypo)manischer und depressiver Symptomatik zum Einsatz (YMRS, BRMRS und MADRS). Weiterhin wurde mittels der Kriterien des DSM-5 geprüft, inwiefern zum jeweiligen Zeitpunkt die Kriterien für eine manische, hypomane oder depressive Episode erfüllt waren. Der vorliegende, hierarchisch strukturierte Datensatz wurde mittels Mehrebenenanaly-sen untersucht. Zur Vorhersage der dimensionalen Outcomes wurden lineare gemischte Mo-delle gerechnet, für die Vorhersage der kategorialen Outcomes generalisierte lineare gemisch-te Modelle. Die Modellbildung erfolgte in drei Schritten. Zunächst ging jeder der 52 erfassten Parameter als einzelner Prädiktor in ein Multilevelmodell ein. In einem zweiten Schritt wurden, zusammengefasst nach den übergeordneten inhaltlichen Konstrukten, nur Prädiktoren mit aus-reichenden Signifikanzen aus dem ersten Schritt in die Modelle aufgenommen. Für die Bildung des Gesamtmodells wurde anhand der im vorhergehenden Schritt potentesten Prädiktoren schrittweise diejenige Variablenkombination ermittelt, welche die jeweilige Outcomevariable am besten statistisch vorhersagen konnte. Dieses Vorgehen wurde für alle Outcomevariablen praktiziert. Ergebnisse: Es liegen zahlreiche signifikante Effekte einiger der erfassten Parameter für die Prädiktion der Manie- und Depressionsskalenwerte sowie für die Prädiktion affektiver Phasen vor. Zusam-mengefasst scheint die Anzahl schlaflos verbrachter Stunden gut geeignet zu sein, sowohl manische (weniger schlaflose Stunden) als auch depressive Symptomatik (mehr schlaflose Stunden) vorherzusagen. Hinsichtlich sozialer Kommunikation kann die Anzahl eingehender Anrufe als genereller Marker für das Vorliegen affektiver Symptomatik angesehen werden. Weiterhin scheint eine erhöhte Häufigkeit, mit der sich eine Person zu Fuß fortbewegt, (hy-po)manische Symptomatik gut vorhersagen zu können. Je mehr respektive weniger Aktivität der Aktigraph verzeichnet, umso wahrscheinlicher liegt vermehrt (hypo)manische respektive depressive Symptomatik vor. Schlussfolgerungen: Die Vielzahl an teils auch fragmentarischen und heterogenen Befunden durch gewisse inhaltli-che Überlappungen der verschiedenen Outcomevariablen sowie durch Überschneidungen auf Prädiktorseite sollte kritisch betrachtet werden. Ein alternativer Ansatz für die Entwicklung glo-balerer und generalisierbarer Modelle zur Vorhersage von Manie und Depressivität durch Ver-wendung latenter Variablen auf Kriteriums- wie auch auf Prädiktorseite wird diskutiert. Grund-sätzlich lassen die hier beschriebenen Ergebnisse darauf schließen, dass diverse, über eine Smartphone-App erfasste Verhaltensparameter im Zusammenhang mit affektiver Symptomatik bipolarer Störungen stehen. Nach weiteren, sorgfältigen Effektivitätsprüfungen im Rahmen von Interventionsstudien könnten demnach die hier beschriebenen Parameter in eine technisch gesteuerte beziehungsweise unterstützte Frühwarnzeichenerkennung für die Vorhersage und nachfolgende Abschwächung oder Abwendung depressiver und manischer Episoden Eingang finden.:TABELLENVERZEICHNIS ABBILDUNGSVERZEICHNIS ABKÜRZUNGSVERZEICHNIS 1 EINLEITUNG 2 THEORETISCHER HINTERGRUND 2.1. Bipolare Erkrankungen 2.2. Ambulantes Assessment 2.3. Aktuelle Forschungslage zu ambulantem Assessment bei Bipolaren Erkrankungen 2.4. Inhaltliche Hypothesen 3 METHODE 3.1. Stichprobe 3.2. Ablauf 3.3. Datenquellen 3.3.1. MovisensXS-App 3.3.2. Beschleunigungssensor 3.3.3. Selbstbeobachtung 3.3.4. Fremdrating des aktuellen psychopathologischen Status 3.4. Management, Speicherung und Parametrisierung der Daten 3.5. Statistische Hypothesen 3.6. Statistische Auswertung 3.6.1. Deskriptive Datenanalyse 3.6.2. Dimensionale Fremd- und Selbstratings 3.6.3. Kategoriale Fremdratings 4 ERGEBNISSE 4.1. Rekrutierung und Vollständigkeit der erhobenen Daten 4.2. Explorative Datenanalyse der within-zentrierten Prädiktorvariablen 4.3. Explorative Datenanalyse der within-zentrierten Outcomevariablen 4.4. Statistische Vorhersage dimensionaler Fremdratings durch smartphonebasierte Parameter 4.4.1. Statistische Vorhersage der YMRS-Werte durch smartphonebasierte Parameter 4.4.1.1. Einzelmodelle: statistische Vorhersage der YMRS-Werte durch Einzelparameter 4.4.1.2. Aggregation: statistische Vorhersage der YMRS-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.4.1.3. Gesamtmodell: statistische Vorhersage der YMRS-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.4.2. Statistische Vorhersage der BRMRS-Werte durch smartphonebasierte Parameter 4.4.2.1. Einzelmodelle: statistische Vorhersage der BRMRS-Werte durch Einzelparameter 4.4.2.2. Aggregation: statistische Vorhersage der BRMRS-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.4.2.3. Gesamtmodell: statistische Vorhersage der BRMRS-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.4.3. Statistische Vorhersage der MADRS-Werte durch smartphonebasierte Parameter 4.4.3.1. Einzelmodelle: statistische Vorhersage der MADRS-Werte durch Einzelparameter 4.4.3.2. Aggregation: statistische Vorhersage der MADRS-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.4.3.3. Gesamtmodell: statistische Vorhersage der MADRS-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.5. statistische Vorhersage dimensionaler Selbstratings der Stimmung durch smartphonebasierte Parameter 4.5.1. Einzelmodelle: statistische Vorhersage der Stimmungs-Werte durch Einzelparameter 4.5.2. Aggregation: statistische Vorhersage der Stimmungs-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.5.3. Gesamtmodell: statistische Vorhersage der Stimmungs-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.6. Statistische Vorhersage kategorialer Fremdratings durch smartphonebasierte Parameter 4.6.1. Statistische Vorhersage des Vorliegens als (hypo)manisch vs. euthym klassifizierter Tage 4.6.1.1. Einzelmodelle: statistische Vorhersage des Vorliegens als (hypo) manisch vs. euthym klassifizierter Tage durch Einzelparameter 4.6.1.2. Aggregation: statistische Vorhersage des Vorliegens als (hypo) manisch vs. euthym klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.6.1.3. Gesamtmodell: statistische Vorhersage des Vorliegens als (hypo) manisch vs. euthym klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.6.2. Statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage 4.6.2.1. Einzelmodelle: statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage durch Einzelparameter 4.6.2.2. Aggregation: statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.6.2.3. Gesamtmodell: statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.6.3. Statistische Vorhersage des Vorliegens als (hypo)manisch vs. depressiv klassifizierter Tage 4.6.3.1. Einzelmodelle: statistische Vorhersage des Vorliegens als (hypo) manisch vs. depressiv klassifizierter Tage durch Einzelparameter..... 4.6.3.2. Aggregation: statistische Vorhersage des Vorliegens als (hypo) manisch vs. depressiv klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.6.3.3. Gesamtmodell: statistische Vorhersage des Vorliegens als (hypo) manisch vs. depressiv klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen 5 DISKUSSION 5.1. Stärken und Limitationen des Studiendesigns 5.2. Vorhersage der Outcomevariablen durch Kommunikationsparameter 5.3. Vorhersage der Outcomevariablen durch Bewegungsparameter 5.4. Vorhersage der Outcomevariablen durch allgemeine Aktivitäts- und Schlafparameter 5.5. Ausblick 6 ZUSAMMENFASSUNG 6.1 Zusammenfassung 6.2 Summary 7 LITERATURVERZEICHNIS 8 ANHANGSVERZEICHNIS 9 ANHANG ERKLÄRUNGEN / Background: The reliable detection of early warning signs for bipolar disorders is essential for the prevention of new illness episodes (Morriss et al., 2007), but is subject to challenges in everyday clinical practice (Kessler et al., 2000; Solhan et al., 2009). Some of these challenges can be overcome by ambulatory assessment (Trull & Ebner-Priemer, 2013). Evidence of positive indicators for the detection and differentiation of affective states by means of continuous real-time monitoring of objective behavioural parameters via smartphone in patients’ daily lives has already been reported (Abdullah et al, 2016; Beiwinkel et al., 2016; Faurholt-Jepsen et al., 2016b; Grünerbl et al., 2015; Palmius et al., 2017). However, findings have shown to be partially heterogene-ous, possibly due to short observation periods, small sample sizes and an infrequent number of clinical ratings in current study designs. In establishing a suitably long-term design with more frequent clinical ratings, this study attempts to expand the existing database significantly. Objective: Accordingly, this study investigates the statistical predictability of affective episodes by way of capturing behavioral parameters in the fields of communication, movement and activity, as-sessed via ambulatory assessment. Methods: For this purpose, 29 bipolar patients were continuously monitored with an app and a wrist-worn actigraph for 12 months each. The objective parameters recorded were communication, activi-ty and movement. In addition, patients answered subjective questions on mood, sleep and medication every evening. Psychodiagnostic interviews to assess current affective symptoms were conducted every 14 days. Various dimensional rating scales were used to assess current (hypo)manic and depressive symptoms (YMRS, BRMRS and MADRS). Furthermore, the DSM-5 criteria were used to assess to which extent the criteria for a manic, hypomanic or de-pressive episode were met at the time. The hierarchically structured data set was examined using multilevel analysis. Linear mixed models were used to predict the dimensional outcomes and generalized linear mixed models were used to predict the categorical outcomes. The mod-elling was performed in three steps. First, each of the 52 recorded parameters was included as a single predictor in a multilevel model. In a second step, only those predictors which were significant parameters in the first step, were included in the models, representing content-related higher-level constructs of communication, sleep and activity. Thirdly, a combination of variables was identified for the overall model that could best statistically predict the respective outcome variable on the basis of the most promising variables of step two. This procedure was carried out for all outcome variables. Results: We revealed numerous significant parameters for the prediction of mania and depression rat-ings as well as affective episodes. In summary, the number of hours spent sleepless seems to be well suited to predict both manic (less sleepless hours) and depressive symptoms (more sleepless hours). Regarding social communication, the number of incoming calls can be con-sidered as a general marker for the presence of affective symptoms. Furthermore, an in-creased frequency with which a person moves on foot seems to predict (hypo)manic symp-toms well. The more activity is registered by the actigraph, the more likely it is that (hypo)manic symptoms will be present with depressive symptoms being more likely for less activity. Conclusions: The variety of partly fragmented and heterogeneous findings due to certain overlaps in content of the various outcome variables as well as overlaps regarding the predictors should be con-sidered critically in future studies. We discussed using latent variables for both criteria and predictors as an alternative approach achieving more stable results. Basically, the findings described here suggest that various behavioral parameters assessed via a smartphone app are associated with affective symptoms of bipolar disorders. We propose that after further, careful effectiveness and intervention studies, the parameters described here could be used in a technically controlled or supported detection of early warning signs for the prediction and subsequent attenuation or prevention of depressive and manic episodes.:TABELLENVERZEICHNIS ABBILDUNGSVERZEICHNIS ABKÜRZUNGSVERZEICHNIS 1 EINLEITUNG 2 THEORETISCHER HINTERGRUND 2.1. Bipolare Erkrankungen 2.2. Ambulantes Assessment 2.3. Aktuelle Forschungslage zu ambulantem Assessment bei Bipolaren Erkrankungen 2.4. Inhaltliche Hypothesen 3 METHODE 3.1. Stichprobe 3.2. Ablauf 3.3. Datenquellen 3.3.1. MovisensXS-App 3.3.2. Beschleunigungssensor 3.3.3. Selbstbeobachtung 3.3.4. Fremdrating des aktuellen psychopathologischen Status 3.4. Management, Speicherung und Parametrisierung der Daten 3.5. Statistische Hypothesen 3.6. Statistische Auswertung 3.6.1. Deskriptive Datenanalyse 3.6.2. Dimensionale Fremd- und Selbstratings 3.6.3. Kategoriale Fremdratings 4 ERGEBNISSE 4.1. Rekrutierung und Vollständigkeit der erhobenen Daten 4.2. Explorative Datenanalyse der within-zentrierten Prädiktorvariablen 4.3. Explorative Datenanalyse der within-zentrierten Outcomevariablen 4.4. Statistische Vorhersage dimensionaler Fremdratings durch smartphonebasierte Parameter 4.4.1. Statistische Vorhersage der YMRS-Werte durch smartphonebasierte Parameter 4.4.1.1. Einzelmodelle: statistische Vorhersage der YMRS-Werte durch Einzelparameter 4.4.1.2. Aggregation: statistische Vorhersage der YMRS-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.4.1.3. Gesamtmodell: statistische Vorhersage der YMRS-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.4.2. Statistische Vorhersage der BRMRS-Werte durch smartphonebasierte Parameter 4.4.2.1. Einzelmodelle: statistische Vorhersage der BRMRS-Werte durch Einzelparameter 4.4.2.2. Aggregation: statistische Vorhersage der BRMRS-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.4.2.3. Gesamtmodell: statistische Vorhersage der BRMRS-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.4.3. Statistische Vorhersage der MADRS-Werte durch smartphonebasierte Parameter 4.4.3.1. Einzelmodelle: statistische Vorhersage der MADRS-Werte durch Einzelparameter 4.4.3.2. Aggregation: statistische Vorhersage der MADRS-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.4.3.3. Gesamtmodell: statistische Vorhersage der MADRS-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.5. statistische Vorhersage dimensionaler Selbstratings der Stimmung durch smartphonebasierte Parameter 4.5.1. Einzelmodelle: statistische Vorhersage der Stimmungs-Werte durch Einzelparameter 4.5.2. Aggregation: statistische Vorhersage der Stimmungs-Werte durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.5.3. Gesamtmodell: statistische Vorhersage der Stimmungs-Werte durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.6. Statistische Vorhersage kategorialer Fremdratings durch smartphonebasierte Parameter 4.6.1. Statistische Vorhersage des Vorliegens als (hypo)manisch vs. euthym klassifizierter Tage 4.6.1.1. Einzelmodelle: statistische Vorhersage des Vorliegens als (hypo) manisch vs. euthym klassifizierter Tage durch Einzelparameter 4.6.1.2. Aggregation: statistische Vorhersage des Vorliegens als (hypo) manisch vs. euthym klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.6.1.3. Gesamtmodell: statistische Vorhersage des Vorliegens als (hypo) manisch vs. euthym klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.6.2. Statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage 4.6.2.1. Einzelmodelle: statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage durch Einzelparameter 4.6.2.2. Aggregation: statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.6.2.3. Gesamtmodell: statistische Vorhersage des Vorliegens als depressiv vs. euthym klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen 4.6.3. Statistische Vorhersage des Vorliegens als (hypo)manisch vs. depressiv klassifizierter Tage 4.6.3.1. Einzelmodelle: statistische Vorhersage des Vorliegens als (hypo) manisch vs. depressiv klassifizierter Tage durch Einzelparameter..... 4.6.3.2. Aggregation: statistische Vorhersage des Vorliegens als (hypo) manisch vs. depressiv klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte 4.6.3.3. Gesamtmodell: statistische Vorhersage des Vorliegens als (hypo) manisch vs. depressiv klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen 5 DISKUSSION 5.1. Stärken und Limitationen des Studiendesigns 5.2. Vorhersage der Outcomevariablen durch Kommunikationsparameter 5.3. Vorhersage der Outcomevariablen durch Bewegungsparameter 5.4. Vorhersage der Outcomevariablen durch allgemeine Aktivitäts- und Schlafparameter 5.5. Ausblick 6 ZUSAMMENFASSUNG 6.1 Zusammenfassung 6.2 Summary 7 LITERATURVERZEICHNIS 8 ANHANGSVERZEICHNIS 9 ANHANG ERKLÄRUNGEN

Als Kopf der Hypothalamus-Hypophysen-Nebennierenrinden-Achse spielt der Hypothalamus eine Schlüsselrolle für die depressive Symptomatik und bei pathogenetischen Modellen affektiver Störungen. Für nahezu alle Ebenen dieser Hormonachse lassen sich Funktions- und Strukturveränderungen, insbesondere Volumenveränderungen bei uni- oder bipolaren affektiven Störungen nachweisen. Zum Hypothalamus existiert hingegen, neben histochemischen Analysen, nur ein explorativer post mortem Befund einer Volumenreduktion von bis zu 15.5% bei uni- oder bipolar affektiv Erkrankten. Die vorliegende Arbeit verfolgt das Ziel, Volumenveränderungen des Hypothalamus bei uni- und bipolaren affektiven Störungen in vivo nachzuweisen. Mittels der Hochfeld-MRT lässt sich der Hypothalamus seit einigen Jahren mit einer Auflösung von weniger als 1 mm detailgetreu abbil-den. Zur Beurteilung, ob diese Genauigkeit dem Studienziel gerecht wird, wird eingangs in einem vorab publizierten Literaturüberblick der aktuelle Forschungstand zu Strukturveränderungen des Hypothalamus bei uni- und bipolaren affektiven Störungen zusammengefasst und diskutiert. Die Überblicksarbeit kommt zu dem Urteil, dass auch in vivo Volumenreduktionen des Hypothalamus solcher Größenordnungen zu erwarten sind, dass sie mittels Hochfeldbildgebung nachgewiesen werden können. Zur präzisen Vermessung des Hypothalamusvolumens stellen anschließend zwei ebenfalls publizierte Methodenstudien die Entwicklung und Evaluation einer geeigneten Messmethodik anhand hochaufgelöster, T1-gewichteter 7 Tesla MRT-Aufnahmen vor. Sie umfasst eine Intensitätsstandardisierung sowie einen falschfarbengestützten Segmentierungsalgorithmus. Aufbauend auf diesen theoretischen und methodischen Vorarbeiten präsentiert die vierte publizierte Arbeit die weltweit ersten in vivo Daten zu Volumenveränderungen des Hypothalamus bei uni- und bipolaren affektiven Störungen. Im querschnittlichen Vergleich mit gesunden Probanden und unter Kontrolle des intrakraniellen Volumens und psychotroper Medikation konnten bei beiden Störungsbildern linksseitige Volumenvergrößerungen des Hypothalamus nachgewiesen werden. Diese sind möglicherweise ein strukturelles Korrelat histochemisch nachweisbarer Aktivitätssteigerungen hypothalamischer Kerngebiete. Alternativ können sie eine Aktivierung und Vermehrung der Gliazellen anzeigen. Schließlich kann eine Volumenzunahme des Hypothalamus auch auf eine Vergrößerung der Zellzwischenräume zurückgehen. Der relative Mangel an Gerüststrukturen könnte, infolge mechanischer Krafteinwirkungen bei der histologischen Gewebeaufbereitung, zu einer verstärkten Stauchung bei den Patienten führen und so den früheren, gegenteiligen post mortem Befund erklären. Zur Untersuchung der mikrostrukturellen Gewebeeigenschaften des Hypothalamus bei uni- und bipolaren affektiven Störungen soll daher in der Folge diffusionsgewichtete Bildgebung zum Einsatz kommen.:Kapitel 1 1.1 Der Hypothalamus als Vermittler zwischen Gehirn und Körper 1.2 Theoretische Einordnung und empirischer Kenntnisstand 1.2.1 Die HPA-Achse als Bindeglied zwischen Diathese und Stress. 1.2.2 Hirnstrukturelle und -funktionelle Korrelate affektiver Störungen. 1.3 Forschungsthema 1.3.1 Problemstellung. 1.3.2 Forschungsziele. 1.4 Fragestellungen und Hypothesen 1.4.1 In vivo Strukturveränderungen des Hypothalamus bei affektiven Störungen. 1.4.2 Wie gestaltet sich eine reliable Messmethode? 1.4.3 Welche Intensitätsstandardisierung optimiert die Bilddatenqualität? 1.4.4 Verringertes in vivo Hypothalamusvolumen bei affektiven Störungen. Kapitel 2 2.1 Review Artikel 2.2 Segmentierungsalgorithmus 2.3 Intensitätsstandardisierung 2.4 Patientenstudie Kapitel 3 3.1 Hauptergebnisse 3.1.1 Theoretische und methodische Vorarbeiten. 3.1.2 Patientenstudie. 3.2 Wissenschaftliche Bewertung und Einordnung der Hauptergebnisse 3.2.1 Fundierung der Hypothesen. 3.2.2 Stärken und Schwächen der Patientenstudie. 3.2.3 Bewertung der Messmethodik. 3.2.4 Inhaltliche Interpretation des explorativen Befunds. 3.2.5 Ausblick. Anhang 4.1 Literaturverzeichnis 4.2 Abkürzungsverzeichnis 4.3 Zusammenfassung 4.4 Summary 4.5 Publikationsverzeichnis 4.6 Selbsständigkeitserklärung 4.7 Nachweise über Anteile der Co-Autoren

Background. As part of a longitudinal study, prevalence findings of DSM-IV disorders are presented for a random sample of 3021 respondents aged 14 to 24, with response rate 71%. Method. Assessment included various subtypes of disorders, subthreshold conditions and disorders that have only rarely been studied in other epidemiological surveys. The computer-assisted Munich-Composite International Diagnostic Interview (M-CIDI) was used to derive DSM-IV diagnoses. Results. Substance disorders were the most frequent (lifetime 17·7%; 12-month 11·4%), with abuse being considerably more frequent than dependence. Other mental disorders had a lifetime prevalence of 27·5% (12-month, 17·5%) with depressive disorders (16·8%) being more frequent than anxiety disorders (14·4%). Eating disorders (3·0%) and threshold somatoform disorders (1·2%) were rare disorders. Subthreshold anxiety and somatoform disorders, however, were more frequent than threshold disorders. Prevalence of disorders was equally high for males and females, although specific disorder prevalence varied significantly by gender. The co-occurrence of disorders (co-morbidity) was substantial and was significantly related to greater reductions in work productivity and increased rates of professional helpseeking behaviour. Conclusions. Findings underline that mental disorders in young adults are frequent and impairing, limiting work and education ability and social interaction. Given the fact that adolescents and young adults are in a key phase of socialization in terms of professional career and interpersonal relationships, our findings indicate a considerable risk potential for an accumulation of complicating factors and future chronicity. This paper is the first report of this ongoing longitudinal study about early developmental conditions of mental disorders.

Objective. Although somatoform disorders are assumed to be chronic clinical conditions, epidemiological knowledge on their natural course based on representative samples is not available. Method. Data come from a prospective epidemiologic study of adolescents and young adults in Munich, Germany. Respondents’ diagnoses (N = 2548) at baseline and follow-up on average 42 months later are considered. The follow-up incidence, stability as well as selected baseline risk factors (sociodemographics, psychopathology, trauma exposure) for the incidence and stability of somatoform disorders and syndromes are prospectively examined. Diagnostic information was assessed by using the standardized Munich-Composite International Diagnostic Interview (M-CIDI). Results. Over the follow-up period, incidence rate for any of the covered somatoform diagnoses was 25.7%. Stability for the overall group of any somatoform disorder/syndrome was 48%. Female gender, lower social class, the experience of any substance use, anxiety and affective disorder as well as the experience of traumatic sexual and physical threat events predicted new onsets of somatoform conditions, while stability was predicted by being female, prior existing substance use, affective and eating disorders as well as the experience of a serious accident. Conclusions. At least for a substantial proportion of individuals, the overall picture of somatization seems to be relatively stable, but with fluctuation in the symptom picture over time. Being female, the experience of substance use as well as anxiety disorder seem to constitute risk factors for the onset of new somatoform conditions as well as for a stable course over time.

Ausgegangen von der Annahme, dass sowohl Bedürfnisfrustration als auch verschiedene Arten von Stressfaktoren das Risiko der Symptomentstehung erhöhen können, ging es in dieser Arbeit speziell um die Überprüfung einiger Vermittlungshypothesen als Antworten auf Kernfragen zum Entstehungszusammenhang: Wann führt die Frustration sozialer Bedürfnisse und die Alltagsstress zu Symptomen" Warum entwickeln manche Menschen unter Stress oder nach einer Bedürfnisfrustration mehr Symptome als anderen Menschen" Im Mittelpunkt der Untersuchung stand der Vergleich der Vermittlungsfunktionen von unterschiedlichen Persönlichkeitsstilen (als Normvarianten der Persönlichkeitsstörungen nach DSM-IV).Vierzehn Persönlichkeitsstile wurden mittels Persönlichkeits-Stil-und-Störungsinventar (PSSI; Kuhl & Kazén, 1997) untersucht. Zur Beantwortung der Fragestellungen wurden verschiedene Mediationsmodelle überprüft. Der empirische Teil beruht auf zwei klinischen ambulanten Stichproben. Die Fragestellungen und Hypothesen wurden im Rahmen der Theorie der Persönlichkeits-System-Interaktionen (PSI-Theorie) formuliert und geprüft. Die Ergebnisse unterstützen die Annahme, dass für die Entstehung von Achse I-Störungen die Betrachtung der Achse II (Störung oder Stil) von Bedeutung ist. Eines des zentralen Ergebnisses zeigte sich für den stillen Persönlichkeitsstil (bzw. depressiver Persönlichkeitsstörung). Dieser Persönlichkeitsstil hatte eine signifikante Vermittlungsfunktion für alle untersuchten Zusammenhänge. Die der Borderline-, der selbstunsichere und der negativistische Persönlichkeitsstörung entsprechenden Persönlichkeitsstile hatten auch eine signifikante Vermittlungsfunktion. In ein zweiter Teil der Arbeit wurde eine Gruppe von Personen mit einer klinischen Diagnose von Persönlichkeitsstörungen (anhand der DSM-IV Kriterien) auf der Ebene von Selbststeuerungsmechanismen und Affektmodulationsprozesse analysiert.

Es wurden kognitiven Störungen, Minus- und Plussymptomatik und die subjektiven Erleben der kognitiven Störungen in der Schizophrenie untersucht. Der empirische Teil der Untersuchung hat die Spezifität der Frontallappendefizite bei den chronisch Schizophrenen nicht bestätigt. Es wurde eine Dysfunktion der dominanten Hemisphäre bei chronisch Schizophrenen im Vergleich zu den depressiven Patienten bestätigt. Schizophrene Patienten mit vorwiegend positiven Symptomen zeigten schlechtere Leistungen im Vergleich zu schizophrenen Patienten mit vorwiegend negativen Symptomen in den neuropsychologischen Tests. Weitere Analysen von Daten zeigten, dass kognitive Defizite der Schizophrenen in Beziehung zu negativen Symptomen stehen. Subjektive Aufmerksamkeitsstörungen korrelierten selten mit objektiven kognitiven Störungen oder Minus- und Plussymptomatik. Gesamtscore der FBF korrelierte signifikant mit negativen Symptomen. Die Anzahl der Korrelationen zwischen den subjektiv erfahrenen Basisstörungen im FBF und den experimentellen neuropsychologischen Testleistungen war sehr niedrig.

Die Schematherapie hat sich als integrativer Therapieansatz bei Persönlichkeitsstörungen gut bewährt. Auch für depressive Störungen, Angststörungen und Essstörungen liegen mehrere Studien zur Anwendbarkeit der Schematheorie vor. Eine in der klinischen Praxis zahlenmäßig große Patientengruppe, die der somatoformen Störungen, ist bisher kaum hinsichtlich ihrer Schemata untersucht worden. Ziel der vorliegenden Studie ist es, maladaptive Schemata von Patienten mit somatoformen Störungen zu identifizieren und zu überprüfen, ob auch charakteristische Modi bei diesem Störungsbild auftreten. Dafür wurde eine Stichprobe von 134 somatoformen Patienten im Vergleich zu einer gesunden Kontrollgruppe (n=52) untersucht. Die Daten wurden mit den Fragebögen YSQ-S2 und SMI erhoben und inferenzstatistisch ausgewertet. Die Ergebnisse der ANOVA zeigten signifikante Unterschiede in den Schemata (F(1,167)=26,64, p=0.000) und Modi (F(1,75)=25,33, p=0.000) zwischen den beiden Gruppen. Somatoforme Patienten hatten signifikant höhere Schemataausprägungen in den Skalen „Negatives hervorheben“ (d=.85), „Emotionale Vernachlässigung“ (d=.84), „Misstrauen“ (d=.84) und „Ungenügende Selbstkontrolle“ (d=.83). Im Vergleich zu Gesunden befanden sich somatoforme Patienten viel seltener in dem Modus „glückliches Kind“ (d=-2.33). Dafür waren vulnerable und ärgerliche Kindmodi, der strafende Elternmodus, der distanzierte Beschützer und der distanzierte Selbstberuhiger-Modus signifikant stärker ausgeprägt.:Inhaltsverzeichnis I Tabellenverzeichnis IV Abbildungsverzeichnis VI 1 Einleitung 1 2 Theoretischer Hintergrund 3 2.1 Definition Somatoforme Störungen 3 2.2 Klassifikation und Diagnostik 3 2.2.1 Klassifikation Somatoformer Störungen nach DSM-IV und ICD-10 3 2.2.2 Somatische Belastungsstörung nach DSM-5 4 2.2.3 Verfahren zur Diagnostik Somatoformer Störungen 7 2.3 Epidemiologie Somatoformer Störungen 8 2.4 Ätiologie Somatoformer Störungen 9 2.4.1 Biologische Auffälligkeiten 9 2.4.2 Psychologische Faktoren 10 2.5 Therapie Somatoformer Störungen 13 2.6 Die Schematheorie nach Young 15 2.6.1 Das Modell der frühen maladaptiven Schemata 16 2.6.2 Das Modusmodell 21 2.6.3 Klinische Befunde zu Schemata und Modi bei Persönlichkeitsstörungen 24 2.6.4 Klinische Befunde zu Schemata und Modi bei Achse-I Störungen 25 2.6.5 Schemata als Prädiktoren für psychische Symptome 27 2.6.6 Diagnostik maladaptiver Schemata und Schemamodi 28 2.6.6.1 Reliabilitäts- und Validitätsstudien zu YSQ und SMI 28 2.6.7 Klinische Anwendung – die Schematherapie 30 3 Zielsetzung des Dissertationsvorhabens 32 4 Methoden 35 4.1 Stichprobe und Einschlusskriterien 35 4.2 Untersuchungsabläufe 36 4.3 Messinstrumente 36 4.3.1 Strukturiertes Interview für DSM-IV 36 4.3.2 Soziodemografische Daten 37 4.3.3 Beck-Depressions-Inventar 37 4.3.4 Symptomcheckliste 37 4.3.5 SOMS – Screening für Somatoforme Störungen 38 4.3.6 Childhood-Trauma-Questionnaire 38 4.3.7 Young Schema Fragebogen und Modus-Inventar 39 4.4 Datenanalyse 39 4.4.1 Statistische Verfahren 39 4.4.1.1 Mittelwertvergleiche 39 4.4.1.2 weitere statistische Berechnungen 40 4.4.1.3 Korrelationsanalysen 42 4.4.1.4 Regressionsanalysen 42 4.4.2 Fehlende Werte 43 5 Ergebnisse 45 5.1 Beschreibung der Stichprobe 45 5.2 Frühe maladaptive Schemata und Schemamodi 48 5.2.1 Frühe maladaptive Schemata bei Patienten mit Somatoformen Störungen im Vergleich zu psychisch gesunden Personen 48 5.2.2 Vergleich der Schemamodi von Patienten und psychisch Gesunden 52 5.2.3 Spezifität früher maladaptiver Schemata – Vergleich unterschiedlicher klinischer Stichproben 53 5.2.4 Analyse von Subgruppen Somatoformer Störungen bzgl. ihrer Schemata 55 5.2.4.1 Zusammenhänge zwischen Schemata und somatoformen Diagnosen 55 5.2.4.2 Zusammenhänge zwischen Schemata und der Beschwerdeanzahl 55 5.2.4.3 Zusammenhänge zwischen Schemata und der Ausprägung somatoformer Beschwerden am Therapieende 56 5.2.4.4 Vergleich von somatoformen Patienten aus einer Allgemeinen Tagesklinik mit Patienten aus einer spezialisierten Tagesklinik 57 5.3 Zusammenhänge zwischen Schemata, somatoformen Beschwerden und traumatischen Erfahrungen 59 5.3.1 Korrelationen zwischen Schemata und somatoformen Beschwerden 59 5.3.2 Korrelationen zwischen Schemata und traumatischen Erfahrungen 60 5.4 Schemata als Prädiktoren 61 5.4.1 Beziehungen zwischen Schemata und Schemamodi 61 5.4.2 Vorhersage der Zugehörigkeit zur Patienten- oder Kontrollgruppe 64 5.4.3 Vorhersage der Zugehörigkeit zu einer klinischen Gruppe (Somatoforme Störung oder andere psychische Störung) 65 5.4.4 prädiktive Schemata für klinisch signifikante somatoforme Beschwerden am Beginn einer Therapie 66 6 Diskussion 68 6.1 Frühe maladaptive Schemata und Schemamodi bei somatoformen Patienten 68 6.1.1 Spezifität früher maladaptiver Schemata bei Somatoformen Störungen 71 6.1.2 Subgruppen Somatoformer Störungen und assoziierte Schemata 73 6.2 Zusammenhänge zwischen Schemata und somatoformen Beschwerden 75 6.2.1 Zusammenhänge zwischen Schemata und traumatischen Erlebnissen 76 6.3 Prädiktiver Wert von Schemata zur Vorhersage von Schemamodi 77 6.3.1 Prädiktiver Wert von Schemata zur Vorhersage der Zugehörigkeit zur Patientengruppe und zur klinischen Gruppe 79 6.3.2 Prädiktive Schemata für klinisch signifikante somatoforme Beschwerden 80 6.4 Limitierungen der Arbeit und Ausblick 81 7 Zusammenfassung/ Summary 83 8 Literatur 88 9 Anhang 97 Danksagung 105 weitere Anlagen: Fragebögen YSQ-S2 und SMIr 105 Anlage 1: Erklärung zur Eröffnung des Promotionsverfahrens 105 Anlage 2: Erklärung über Einhaltung aktueller gesetzlicher Vorgaben 105

Eine Dysregulation der Hypothalamus-Hypophysen-Nebennierenachse ist bei affektiven Störungen vielfach beschrieben. Bei einem Teil der Patienten zeigt sich dies durch eine Überaktivität und einen Hypercortisolismus. Es ist davon auszugehen, dass erhöhte Cortisolspiegel Auswirkungen auf die Neuroplastizität haben und mit Volumenveränderungen einhergehen können. In der Literatur ist im Falle von signifikanten Assoziationen eine gesteigerte Aktivität der HPA-Achse mit reduzierten Volumina in verschiedenen Hirnregionen verbunden. Bisher wurde ein Zusammenhang zwischen dem Cortisolspiegel als ein Parameter der HPA-Achsen-Aktivität und dem Hypothalamusvolumen bei Patienten mit affektiven Störungen nicht untersucht. Von einer Beteiligung des Hypothalamus am Pathomechanismus affektiver Störungen ist als Kopf der HPA-Achse und Steuerungsorgan zahlreicher Funktionen, die bei affektiven Störungen beeinträchtigt sind, auszugehen. Bislang ist der Hypothalamus aufgrund seiner schlechten Abgrenzbarkeit wenig untersucht. Die bisher einzige in vivo Studie zeigt eine Volumenvergrößerung des linken Hypothalamus bei depressiven Patienten mit einer uni- und bipolaren Erkrankung. Zuvor durchgeführte Studien deuten auf eine Volumenabnahme hin. Das Ziel der vorliegenden Arbeit ist die Untersuchung eines möglichen Zusammenhangs zwischen dem Cortisolspiegel als messbarem Parameter der HPA-Achsen-Aktivität und dem Hypothalamusvolumen bei Patienten mit affektiven Störungen. Hierbei ist eine Kontrolle für das intrakranielle Volumen notwendig. Es wurde eine Morgencortisolbestimmung im Serum und eine neu etablierte Methode der Präzisionsvolumetrie des Hypothalamus auf hochauflösenden, strukturellen 7 Tesla MRT-Aufnahmen bei unmedizierten Patienten mit einer unipolaren affektiven Störung, medizierten Patienten mit einer unipolaren affektiven Störung und Patienten mit einer bipolaren Störung verwendet. Nach Herauspartialisierung des intrakraniellen Volumens zeigte sich keine signifikante Korrelation zwischen dem Hypothalamusvolumen und dem Cortisolspiegel bei Patienten mit affektiven Störungen. Bei der weiteren Prüfung der explorativen Fragestellungen ergeben sich keine Unterschiede des Cortisolspiegels zwischen den einzelnen Untergruppen untereinander und bezüglich der anderen geprüften klinischen Parameter (Erkrankungsdauer, Dauer der aktuellen Krankheitsepisode, Anzahl depressiver Episoden, Erkrankungsschwere), sowie kein Einfluss von Alter, BMI und Geschlecht. Die vorliegende Arbeit ist die erstmalige Untersuchung eines möglichen Zusammenhangs zwischen dem Cortisolspiegel als messbarem Parameter der HPA-Achsen-Aktivität und dem Hypothalamusvolumen bei Patienten mit affektiven Störungen, wobei sich keine signifikante Korrelation zeigt.