Gesundheits-Apps, die wirken: Neues Verfahren verspricht mehr Erfolg
Gesundheits-Apps können besser auf die individuellen Bedürfnisse von Patient_innen zugeschnitten werden. Ein internationales Forschungsteam unter Beteiligung der „International Psychoanalytic University Berlin“ hat ein neues Analyseverfahren aus dem Bereich des maschinellen Lernens entwickelt, das die Wirksamkeit von Smartphone-basierten Interventionen präziser vorhersagen kann. Die Studie liefert wichtige Hinweise, wie digitale Interventionen in Zukunft besser auf das Individuum zugeschnitten werden können, im Sinne einer personalisierten Therapie. Dabei wären Anwendungen auch in vielen anderen Feldern denkbar, in denen mobile Apps zum Einsatz kommen.
Gesundheits-Apps können besser auf die individuellen Bedürfnisse von Patient_innen zugeschnitten werden. Ein internationales Forschungsteam unter Beteiligung der „International Psychoanalytic University Berlin“ hat ein neues Analyseverfahren aus dem Bereich des maschinellen Lernens entwickelt, das die Wirksamkeit von Smartphone-basierten Interventionen präziser vorhersagen kann. Der Artikel ist im Fachmagazin „Journal of Affective Disorders“ erschienen.
Gesundheits-Apps kommen zunehmend bei körperlichen und psychischen Erkrankungen zum Einsatz. Sie ersetzen keine reguläre Behandlung, können diese aber unterstützen und begleiten – zum Beispiel, um bei Depressionen die Stimmung zu verbessern. Besondere Bedeutung haben Smartphone-basierte Interventionen in Ländern mit geringem oder mittlerem Einkommen, bei denen reguläre Behandlungsangebote nicht oder nur punktuell zur Verfügung stehen.
Wie gut solche Apps wirken, ist jedoch oft ungewiss und von Person zu Person unterschiedlich. Einer Forschungsgruppe unter Beteiligung der IPU Berlin um Prof. Dr. Gunther Meinlschmidt und Prof. Dr. Marion Tegethoff von der Universität Basel ist es nun gelungen, mit einem neuen statistischen Verfahren, den Erfolg der Apps besser vorherzusagen. Sie nutzten dafür Daten von 324 Smartphone-basierten Interventionen zur Stimmungsregulation.
Verbesserung der Stimmung vorhersagen
„Wir wissen, dass viele Patientinnen und Patienten digitale Interventionen nach anfänglicher Nutzung schnell wieder weglegen, gerade wenn es nur gelegentlich wirkt“, erklärt Erstautor Meinlschmidt. „Unser Verfahren hat das Potenzial, dass Patienten Smartphone-basierte Interventionen längerfristig nutzen.“ Das entwickelte Verfahren aus dem Bereich des „Maschinellen Lernens“ beruht auf einer spezifischen Form der sogenannten „Random-Forest“-Methode: Bildlich gesprochen, wird dabei ein Wald von Entscheidungsbäumen geschaffen. Jeder Entscheidungsbaum wird so „gezüchtet“, dass an seinen Gabelungen zufällig ausgewählte Merkmale, wie zum Beispiel Müdigkeit oder Unruhe, eine bestmögliche Entscheidung erlauben; das System lernt. Um vorherzusagen, ob die nächste Smartphone-Intervention erfolgreich sein wird, wird dann jeder einzelne Baum des Waldes „befragt“, wie bei einer Abstimmung – und die Meinung der Mehrheit als Vorhersage genommen.
Anzahl erfolgloser Nutzungen halbieren
Während es im untersuchten Fall bei etwa sechs von zehn Anwendungen zu keiner Verbesserung der Stimmung kam, waren dies in den durch maschinelles Lernen als erfolgreich vorhergesagten Anwendungen nur noch etwa drei von zehn. Die Anzahl erfolgloser Nutzungen konnte also durch das Verfahren halbiert werden. Die Studie liefert wichtige Hinweise, wie digitale Interventionen in Zukunft besser auf das Individuum zugeschnitten werden können, im Sinne einer personalisierten Therapie. Dabei wären Anwendungen auch in vielen anderen Feldern denkbar, in denen mobile Apps zum Einsatz kommen.
Die Studie wurde vom Schweizerischen Nationalfonds und der National Research Foundation of Korea gefördert und in Zusammenarbeit mit der International Psychoanalytic University Berlin, der Universität Basel, der Korea University, der RWTH Aachen und der Harvard Medical School durchgeführt.
Wissenschaftlicher Ansprechpartner:
Prof. Dr. rer. nat. Gunther Meinlschmidt
https://www.ipu-berlin.de/professoren/meinlschmidt-gunther/
Originalpublikation:
Gunther Meinlschmidt, Marion Tegethoff, Angelo Belardi, Esther Stalujanis, Minkyung Oh, Eun Kyung Jung, Hyun-Chul Kim, Seung-Schik Yoo, Jong-Hwan Lee
Personalized prediction of smartphone-based psychotherapeutic micro-intervention success using machine learning.
https://www.sciencedirect.com/science/article/pii/S0165032719312121?via%3Dihub
Journal of Affective Disorders (2019), doi: 10.1016/j.jad.2019.11.071
Die semantisch ähnlichsten Pressemitteilungen im idw
