Das Vorhaben zielt auf Benchmarking und Früherkennung ungünstiger Therapieverläufe in der Dialektisch Behaviouralen Therapie durch Machine Learning.
Martin Bohus, Tilman Deuschel, Stephan Gimbel, Nora Görg, Martin Schüller, Erdem Turan
Projektleitung: Prof. Dr. Bernhard Humm
Beteiligte Institutionen: Deuschel & Schüller GbR (D&S), Zentralinstitut für Seelische Gesundheit (ZI), Dachverband Dialektisch-Behaviorale Therapie (DDBT)
Dauer: 11/2016 bis 12/2018
Förderer/Auftraggeber: LOEWE-Förderlinie 3
ikum
Die Entwicklung, Steuerung und Qualitätskontrolle von effizienten psychotherapeutischen Behandlungen sind von herausragender Bedeutung für das deutsche Gesundheitssystem. Das Vorhaben zielt auf eine grundlegende Verbesserung der letzten beiden Parameter: Die Steuerung von psychotherapeutischen Behandlungsprozessen zur Optimierung von individuellen Therapieverläufen und die vergleichende Erfassung von Therapieverläufen zur Qualitätskontrolle von Behandlungseinrichtungen (Benchmarking). Das erfordert komplexe statistische Modelle, die aus einer Vielzahl von Variablen relevante Informationen extrahieren. So kann die Abweichung eines individuellen Patienten von einem günstigen Therapieverlauf frühzeitig erkannt und korrigierend eingegriffen werden. Anlässlich der Forderung des Gesundheitsministeriums, Qualitätsnachweise des Personals in der Psychotherapie zu erbringen, spricht das hier beschriebene Vorhaben eines Benchmarkingsystems eine aktuelle und wirtschaftlich relevante Anforderung an.
Mit diesem Vorhaben werden in drei Bereichen neue und relevante Erkenntnisse erarbeitet:
Im Bereich der Psychotherapieforschung wird ein Frühwarnsystem für ungünstige Therapieverläufe entwickelt, das sich auch auf die Entwicklung von Internet-basierten Therapieverfahren übertragen lässt.
Im Bereich der Mensch-Computer-Schnittstellen werden neue Kenntnisse gewonnen, wie User Experience für die Extremnutzergruppe Borderline-Persönlichkeitsstörung in einem solchen Kontext zu gestalten ist.
Im Bereich Informatik wird erforscht, wie aktuelle Methoden des Machine Learning im Bereich der Anomalieerkennung bei Psychotherapiepatienten mit einer Borderline-Persönlichkeitsstörung angewandt werden können.