Acceptability and implementation feasibility of a mobile application powered by generative artificial intelligence for mental health screening and referral in Uganda

Technisches Resümee: Akzeptanz und Implementierungsfähigkeit einer generativen KI-gestützten mobilen Anwendung für psychische Gesundheit in Uganda

Problemstellung

Uganda steht vor einer kritischen Krise der psychischen Gesundheit, mit schätzungsweise 14 Millionen Menschen, die von Depressionen und Angststörungen betroffen sind. Diese Belastung wird durch einen schweren Mangel an Fachkräften (etwa ein Psychiater pro Million Menschen), begrenzte Finanzmittel (1 % des nationalen Gesundheitsbudgets) und weit verbreitete Stigmatisierung verschärft. Während digitale Gesundheitswerkzeuge und KI-gestützte Interventionen weltweit vielversprechende Ansätze zeigen, mangelt es an Evidenz hinsichtlich ihrer Akzeptanz und Implementierungsfähigkeit in einkommensschwachen afrikanischen Kontexten. Bestehende KI-Tools für die psychische Gesundheit werden überwiegend für hochverdiende, englischsprachige westliche Populationen entwickelt, was Bedenken hinsichtlich der kulturellen Angemessenheit, algorithmischer Verzerrungen (Bias) und der Leistungsfähigkeit in lokalen Sprachen aufwirft. Zudem gefährden infrastrukturelle Einschränkungen wie unzuverlässiges Internet, hohe Datengestaltungskosten und eine begrenzte Smartphone-Besitzquote den gerechten Zugang.

Methodik

Diese Studie wandte ein Mixed-Methods-Proof-of-Concept-Design an, das zwischen Januar und Mai 2026 in Kampala, Uganda, durchgeführt wurde.

• Teilnehmer: Eine gezielte Stichprobe von 50 Teilnehmern wurde rekrutiert, bestehend aus 25 Mitgliedern der allgemeinen Öffentlichkeit und 25 Gesundheitsfachkräften (einschließlich Psychiatern, psychiatrischen klinischen Offizieren, Pflegekräften und medizinischen Offizieren).
• Intervention: Die Studie evaluierte eine generative KI-gestützte mobile Anwendung, die für das Screening psychischer Gesundheit, die Selbstfürsorge und die Überweisung konzipiert wurde.
  • Technische Architektur: Die App nutzt ein Large Language Model (LLM), das mit validierten Screening-Instrumenten integriert ist: dem Patient Health Questionnaire (PHQ-4, PHQ-9) und der Generalized Anxiety Disorder Skala (GAD-7).
  • KI-Mechanismus: Im Gegensatz zu traditionellen regelbasierten Chatbots verwendet das System ein dokumentenbasiertes Wissenssystem. Es ruft protokollbasierte Informationen (PHQ/GAD-Leitlinien) ab und interpretiert diese, um dynamische, kontextsensitive Antworten in natürlicher Sprache zu generieren. Obwohl das System darauf ausgelegt ist, Antworten basierend auf einem kuratierten Satz von Dateien zu konstruieren, statt sich zur Texterzeugung auf das Internet zu verlassen, benötigt die Anwendung dennoch eine Internetverbindung für die Datenübertragung und Interaktion – eine Abhängigkeit, die explizit als wesentliche Barriere für die Implementierung identifiziert wurde.
  • Sicherheitsfunktionen: Die Anwendung enthält eine automatische Überweisungslogik für schwere Symptome, einschließlich einer automatischen Wählfunktion für nahegelegene Gesundheitseinrichtungen im Falle von Suizidalität. Sie ist ausdrücklich kein Diagnose- oder Verschreibungsinstrument.
  • Sicherheit: Die Daten werden mittels Transport Layer Security (TLS 1.2+) und AES-256-Verschlüsselung im Ruhezustand geschützt. Die Identifizierung der Nutzer wird minimiert, wobei Mobilfunknummern als eindeutige Identifikatoren unter optionaler Registrierung des Namens verwendet werden.
• Datenerhebung: Die Studie nutzte eine Pre-Post-Implementierungsbewertung.
  • Quantitativ: Baseline- und Endline-Umfragen maßen Wahrnehmungen, Akzeptanz und Nutzungsmuster.
  • Qualitativ: Key Informant Interviews (KIIs) und offenes Feedback wurden durchgeführt, um Nutzererfahrungen und Barrieren zu untersuchen.
• Analytische Frameworks:
  • Akzeptanz: Evaluierung mittels des Technology Acceptance Model (TAM), mit Fokus auf wahrgenommene Nützlichkeit (Perceived Usefulness, PU) und wahrgenommene Benutzerfreundlichkeit (Perceived Ease of Use, PEOU).
  • Machbarkeit: Bewertung mittels des Bowen-Feasibility-Frameworks, das fünf Domänen umfasst: Nachfrage, Implementierung, Praktikabilität, Integration und Expansion.

Kernergebnisse

Die Studie zeigte eine hohe Akzeptanz und Machbarkeit, wenngleich signifikante infrastrukturelle Barrieren bestehen bleiben.

1. Akzeptanz (TAM-Ergebnisse):

• Wahrgenommene Nützlichkeit: Nach der Implementierung fanden 95,6 % der Teilnehmer aus der allgemeinen Öffentlichkeit die Informationen als relevant für ihre Bedürfnisse an, und 90,9 % gaben an, die Anwendung weiterempfehlen zu würden. Gesundheitsfachkräfte betrachteten das Tool als wertvolles Entscheidungshilfesystem, das die Arbeitsbelastung reduziert und die diagnostische Genauigkeit für Nicht-Spezialisten verbessert.
• Wahrgenommene Benutzerfreundlichkeit: 90,9 % stimmten zu, dass die Funktionen einfach zu bedienen seien, und 77,3 % konnten die App ohne Hilfe Dritter nutzen. Dennoch wurden technische Fehler (repetitive Fragen) und Sprachbarrieren (englischsprachige Benutzeroberfläche) als Reibungspunkte identifiziert.

2. Machbarkeit (Bowen-Framework-Ergebnisse):

• Nachfrage: Es bestand eine erhebliche latente Nachfrage; 100 % der Baseline-Teilnehmer erklärten sich bereit, die App zu nutzen. Nach der Implementierung nutzten 56,7 % der Teilnehmer aus der allgemeinen Öffentlichkeit die App innerhalb eines Monats für das Screening oder die Selbstfürsorge.
• Implementierung: Die primären Barrieren waren die Abhängigkeit vom Internet, hohe mobile Datengestaltungskosten und das Fehlen einer mehrsprachigen Funktionalität. 40 % der Endline-Teilnehmer nannten Datengestaltungskosten als wesentliches Hindernis.
• Praktikabilität: Die App wurde als praktikabel für klinische und kommunale Settings eingestuft, wobei 45,45 % der Nutzer eine Screening-Sitzung in 5–10 Minuten abschlossen.
• Integration: 96 % der Teilnehmer bevorzugten zu Baseline-Zeit eine Verknüpfung der App mit Gesundheitseinrichtungen. Am Ende der Studie hatten 36,4 % der Nutzer einer von der App empfohlenen Überweisung gefolgt.
• Expansion: 100 % der Teilnehmer waren bereit, die App anderen zu empfehlen. Jedoch gaben 76 % der Baseline-Teilnehmer an, dass eine zweisprachige Funktionalität (Englisch + lokale Sprachen) für eine breitere Reichweite essenziell ist.

Wesentliche Beiträge

• Kontextuelle Validierung: Dies ist die erste Studie, die ein generatives KI-gestütztes Tool für die psychische Gesundheit spezifisch im ugandischen Kontext evaluiert und damit Belege liefert, dass solche Technologien in ressourcenarmen Umgebungen akzeptabel und machbar sind.
• Anwendung Generativer KI: Die Studie demonstriert den Nutzen von LLMs bei der Bereitstellung strukturierter, protokollbasierter Screenings für psychische Gesundheit (PHQ/GAD) mit der Flexibilität eines natürlichen Sprachdialogs, was über starre Entscheidungsbaum-Chatbots hinausgeht.
• Unterstützung des Task-Sharing: Die Ergebnisse legen nahe, dass das Tool das Task-Sharing effektiv unterstützen kann, indem es Nicht-Spezialisten und die allgemeine Öffentlichkeit befähigt, erste Screenings und Selbstfürsorge durchzuführen, was potenziell die Belastung der knappen Facharztressourcen lindert.
• Einblickeit in die Implementierung: Die Forschung identifiziert spezifische, handlungsrelevante Barrieren für die Skalierung in Sub-Sahara-Afrika, namentlich die Notwendigkeit von Offline-Funktionen, Zero-Rating-Datenzugängen und der Lokalisierung in lokale Sprachen.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass eine generative KI-gestützte mobile Anwendung eine machbare und hochgradig akzeptable Lösung für das Screening, die Selbstfürsorge und die Überweisung im Bereich der psychischen Gesundheit in Uganda darstellt. Die Autoren betonen, dass die Anwendung Potenzial zeigt für:

• Reduzierung von Stigmatisierung: Durch Anonymität und Privatsphäre fördert das Tool die Offenlegung bei Personen, die zögern, face-to-face Hilfe zu suchen.
• Verbesserung des Zugangs: Sie adressiert strukturelle Barrieren wie Reisekosten, Wartezeiten und den Mangel an Spezialisten.
• Stärkung der Versorgung durch Nicht-Spezialisten: Sie dient als Kapazitätsaufbau-Ressource für Gesundheitsfachkräfte, indem sie strukturierte Anleitung bietet und die kognitive Belastung reduziert.

Die Autoren wahren jedoch eine moderate Haltung hinsichtlich der Skalierbarkeit. Sie kommen zu dem Schluss, dass der Proof-of-Concept zwar erfolgreich ist, die erfolgreiche Skalierung jedoch von der Bewältigung struktureller Barrieren abhängt, die mit Internetkonnektivität, Datengestaltungskosten, Sprachzugänglichkeit und Smartphone-Besitz zusammenhängen. Die Arbeit stellt explizit fest, dass größere Studien erforderlich sind, um die langfristige Wirksamkeit, Kosteneffizienz und Integration des Tools in die routinemäßigen Gesundheitssysteme zu bewerten, bevor eine flächendeckende nationale Einführung erfolgen kann.