Prädiktive Analytik aus der Perspektive der Klinischen Psychologie und Psychotherapie

Abstract

Während in der somatischen Medizin mittlerweile eine Vielzahl von biologischen Markern für die Diagnostik und Therapieplanung vorliegen, gibt es keine vergleichbaren bio­logischen oder psychologischen Marker für psychische Störungen. Hier sind die Pathogenese und Wirkung psychotherapeutischer Interventionen durch eine Vielzahl mitei­nander interagierender Faktoren determiniert. Die prädiktive Analytik verfügt mit dem maschinellen Lernen über eine aussichtsreiche Methode, komplexe Muster und Interaktionen zwischen verschiedenen Variablen in Aussagen für den individuellen Patienten zu übersetzen. Diese Methoden bestimmen (“lernen”) aus bereits vorhandenen Daten die Beziehung zwischen Prädiktoren und Ergebnissen und können anschließend das entwickelte Modell auf neue Daten, bei denen das Ergebnis noch offen ist, anwenden. Zuvor muss aber zwingend geprüft werden, ob das Gelernte tatsächlich bedeutungsvoll ist. Zur Illustration des Ansatzes stellen wir eine Reihe von Studien vor, die das Paradigma der prädiktiven Analytik für diagnostische Fragestellungen, Vorhersage von Risikoverläufen sowie zur Prognose von Psychotherapieergebnissen genutzt haben. Die Ergebnisse sind vielversprechend; vor einem Einsatz in der klinischen Praxis muss die Vorhersagegenauigkeit jedoch weiter gesteigert und in verschiedenen Settings und Populationen überprüft werden. Zur Verbesserung der Vorhersagegüte scheinen insbesondere die Berücksichtigung unterschiedlicher Datenmodalitäten wie klinische Maße, (f)MRT-Daten und genetische Daten sowie der Fokus auf Variablen, die Mechanismen von Psychopathologie und Veränderungsmechanismen gut abbilden, sinnvoll. Darüber hinaus sollte eine enge Zusammenarbeit mit Vertretern von Praktikern und Betroffenen stattfinden, um die Akzeptanz solcher Marker zu gewährleisten. Wenn dies gelingt, bieten derartige Marker das Potenzial, die Diagnosesicherheit insbesondere in ­schwierigen Fällen deutlich zu erhöhen, mögliche Risikoverläufe früh zu identifizieren und die Zuweisung von Patienten zu den für sie bestmöglichen Behandlungen zu unterstützen.

While there is a plethora of biomarkers for diagnosis and treatment selection in somatic medicine, no comparable biological or psychological markers are available in mental health. Following the bio-psycho-social model, both the pathogenesis and treatment effects are determined by many concurring factors. With machine learning, predictive analytics offer a promising set of tools for translating patterns and interactions in and between a variety of variables into a conclusion for the individual patient. These methods “learn” the association between predictors and outcomes from already available data and can then apply the resulting model on new data, for which the outcome is still open. However, it is crucial to evaluate beforehand whether the learned model is meaningful. To illustrate this approach, we present a number of studies that used predictive analytics for diagnostics, for predicting risk trajectories and for predicting psychotherapy treatment outcomes (“theranostics”). Their results are promising, but prior to clinical practice the prediction accuracy has to be increased and tested in different settings and populations. For increasing prediction performance, combining several data modalities, such as clinical, neurostructural, -functional and genetic data, and focusing on variables that map mechanisms of psychopathology and change, are reasonable. Moreover, teaming up with clinician and patient representatives is recommended for increasing the acceptance of such markers and discussing the ethical and societal implications of predictive analytics in mental health. If successful, predictive analytics bear the potential to increase diagnostic reliability particularly in challenging cases, to identify potentially negative trajectories early on and to support allocating patients to their individually optimal treatment.