Prediction of Mental Health Disorders: From Markers to Models in Artificial Intelligence

Der menschliche Geist ist eine weite, komplexe Landschaft, und über Jahrhunderte hinweg beruhte das Verständnis seiner Stürme – Depressionen, Angstzustände und die erdrückende Last von Stress – schwer vor allem auf dem Gespräch. Ein Arzt hört einem Patienten zu, während dieser seine Gefühle beschreibt, beobachtet sein Verhalten und wendet etablierte Leitlinien an, um eine Diagnose zu stellen. Diese Methode ist zutiefst menschlich, hat aber Grenzen. Sie hängt von der Fähigkeit eines Menschen ab, einen Schmerz zu artikulieren, der oft schwer zu benennen ist, und sie behandelt den Geist als einen binären Zustand: Entweder eine Person ist krank oder sie ist es nicht. In den letzten Jahren ist ein neues Werkzeug in dieses Feld eingetreten, eines, das sich nicht allein auf Worte verlässt, sondern auf die stille, elektrische Sprache des Körpers selbst. Dies ist der Bereich der künstlichen Intelligenz, in dem Computer darauf trainiert werden, Muster in Daten zu finden, die für das menschliche Auge zu subtil sind. Indem sie den Rhythmus eines Herzschlags, die elektrische Aktivität des Gehirns oder sogar die Art und Weise, wie ein Mensch schläft, betrachten, beginnen Forscher zu untersuchen, ob Maschinen die frühen Anzeichen psychischer Not erkennen können, bevor eine Krise eintritt.

Ein Forschungsteam der Amity University in Indien setzte sich zum Ziel, dieses aufstrebende Territorium zu kartieren. Sie wollten wissen, ob Computer diese häufigen psychischen Erkrankungen zuverlässiger vorhersagen können als die derzeit im Einsatz befindlichen traditionellen Methoden. Um dies zu erreichen, führten sie kein einzelnes Experiment in einem Labor durch. Stattdessen führten sie eine massive Überprüfung der wissenschaftlichen Welt durch, indem sie 185 verschiedene Studien sammelten und analysierten, die im letzten Jahrzehnt veröffentlicht wurden. Diese Studien nutzten eine große Vielfalt an Daten, von Gehirnscans und Herzmonitoren bis hin zu Umfragen und Videoaufzeichnungen. Die Forscher untersuchten, wie verschiedene Computerprogramme – von älteren, einfacheren Algorithmen bis hin zu neueren, komplexeren Deep-Learning-Systemen – abschnitten, wenn sie darum gebeten wurden, Anzeichen von Depressionen, Angstzuständen oder Stress zu identifizieren. Ihr Ziel war es herauszufinden, welcher Ansatz am besten funktionierte und welche biologischen Signale die Computer tatsächlich nutzten, um ihre Entscheidungen zu treffen.

Die Forscher ordneten die biologischen Hinweise, die psychische Not signalisieren, zuerst in vier verschiedene Gruppen ein. Sie untersuchten elektrophysiologische Marker, welche die elektrischen Muster des Gehirns sind, die durch Sensoren auf der Kopfhaut erfasst werden. Sie untersuchten physiologische Marker, wie Veränderungen der Herzfrequenz, des Blutdrucks und die Art und Weise, wie die Haut leitet, wenn eine Person emotional aufgewühlt ist. Sie betrachteten auch immunologische Marker, also Anzeichen von Entzündungen im Körper, sowie psychologische Marker, wie etwa die Qualität und Dauer des Schlafes einer Person. Durch das Sortieren dieser Signale konnte das Team sehen, welche am häufigsten bei spezifischen Erkrankungen auftraten. So fanden sie beispielsweise heraus, dass bestimmte Unregelmäßigkeiten in den Gehirnwellen und erhöhte Werte spezifischer Entzündungsproteine häufig mit Depressionen in Verbindung gebracht wurden, während Veränderungen der Herzfrequenzvariabilität bei Angstzuständen und Stress gleichermaßen verbreitet waren.

Nachdem sie die biologischen Daten organisiert hatten, verglichen die Forscher die Leistung der Computermodelle. Sie testeten vier Haupttypen von Algorithmen. Die erste Gruppe umfasste traditionelle Werkzeuge des maschinellen Lernens, wie etwa Support Vector Machines, die wie ein ausgeklügelter Sortierer wirken, der versucht, eine Linie zwischen gesunden und ungesunden Datenpunkten zu ziehen, und Random Forests, die viele kleine Entscheidungsbäume aufbauen, um zu einem Schluss zu gelangen. Sie testeten auch K-Nearest Neighbors, eine Methode, die einen Zustand basierend auf der Ähnlichkeit eines neuen Falles mit vergangenen Fällen vermutet. Die zweite Gruppe bestand aus Deep-Learning-Modellen, also fortschrittlichen Systemen, die darauf ausgelegt sind, die Schichten des menschlichen Gehirns nachzuahmen. Diese Systeme können Rohdaten direkt verarbeiten und komplexe Muster lernen, ohne dass Menschen zuerst manuell jedes Merkmal hervorheben müssen.

Die Ergebnisse dieses Vergleichs waren klar und konsistent. Die Deep-Learning-Modelle erwiesen sich als die genauesten und zuverlässigsten Werkzeuge zur Vorhersage psychischer Störungen. Wenn sie auf Depressionen getestet wurden, erreichten diese fortschrittlichen Modelle eine durchschnittliche Genauigkeit von 96,04 Prozent. Bei Angstzuständen erreichten sie 92,31 Prozent und bei Stress knackten sie 94,14 Prozent.ت Wichtiger noch war, dass diese Modelle stabil waren; ihre Ergebnisse schwankten nicht wild von einer Studie zur nächsten, was darauf hindeutet, dass sie mit den unordentlichen, realen Daten umgehen können, die Patienten tatsächlich liefern. Im Gegensatz dazu zeigten die traditionellen Modelle des maschinellen Lernens, obwohl sie immer noch nützlich sind, eine größere Variabilität. Random Forests schnitten gut ab, insbesondere bei Angstzuständen und Depressionen, aber die einfachere K-Nearest-Neighbors-Methode hatte die größten Schwierigkeiten, besonders beim Versuch, Stress zu erkennen, und lieferte oft inkonsistente Ergebnisse. Die Studie legt nahe, dass die Fähigkeit des Deep Learning, verborgene, komplexe Verbindungen in den Daten zu finden, ihm einen signifikanten Vorteil gegenüber älteren Methoden verschafft.

Die Forscher wiesen jedoch vorsichtig darauf hin, dass diese Technologie noch kein fertiges Produkt ist, das bereit für jede Arztpraxis ist. Ein großes Hindernis ist die Datenlage selbst. Viele der von ihnen untersuchten Studien stützten sich auf kleine Personengruppen, oft Studenten oder Klinikpersonal, was bedeutet, dass die Computermodelle bei älteren Erwachsenen, Kindern oder Menschen aus anderen kulturellen Hintergründen möglicherweise nicht so gut funktionieren. Es mangelt zudem an Langzeitdaten; die meisten Studien betrachteten einen einzelnen Moment statt die Verfolgung der Frage, wie sich die psychische Gesundheit eines Menschen über Monate oder Jahre hinweg verändert. Darüber hinaus betonten die Forscher, dass diese Werkzeuge menschliche Ärzte nicht ersetzen sollten. Stattdessen sollten sie als Unterstützungssystem dienen – als eine Möglichkeit, frühe Warnsignale aufzufangen, die ein Mensch vielleicht übersehen würde.

Der Weg nach vorn beinhaltet die Adressierung dieser Lücken. Das Team schlägt vor, dass zukünftige Arbeit vielfältigere Gruppen von Menschen einschließen und sich auf die kontinuierliche Überwachung mittels Wearables konzentrieren muss, wie etwa Smartwatches, die Herzfrequenz und Schlafmuster Tag und Nacht verfolgen können. Sie hoben auch die Notwendigkeit strenger ethischer Regeln hervor, um die sensiblen Daten zu schützen, die diese Systeme sammeln. Während die Technologie großes Potenzial für die Erstellung personalisierter Behandlungspläne und die Reduzierung des Stigmas psychischer Erkrankungen durch eine objektivere Diagnose zeigt, erfordert sie eine sorgfältige Handhabung. Die Studie kommt zu dem Schluss, dass die künstliche Intelligenz zwar gezeigt hat, dass sie Muster im menschlichen Geist erkennen kann, die zuvor unsichtbar waren, ihr wahrer Wert jedoch darin liegen wird, diese Erkenntnisse auf eine Weise zu nutzen, die sicher, gerecht und zutiefst menschlich ist.