Verwendung verantwortungsbewusster künstlicher Intelligenz (KI) zur Vorhersage von Ergebnissen und Engagement von Online-Therapien

Psychische Störungen tragen stark zur globalen Krankheitslast bei, aber viele Menschen haben keinen Zugang zu psychischer Gesundheitsversorgung. Diese Behandlungslücke ist teilweise strukturell (z. B. Verfügbarkeit) und einstellungsbedingt (z. B. Angst vor Stigmatisierung) Barrieren bei der Suche nach medizinischer Versorgung. Digitale Therapeutika (DTx) in Form von digitalen psychischen Gesundheitsinterventionen oder digitaler Psychotherapie können die Lösung für dieses Problem sein. Die Integration von Informations- und Kommunikationstechnologie (IKT) und psychischer Gesundheitsversorgung hat das Potenzial, die Effizienz der Gesundheitsversorgung zu steigern und ermöglicht die Personalisierung von Behandlungen. Die auf künstlicher Intelligenz (KI) basierende Analyse großer Datensätze aus digitalen Psychotherapieprogrammen kann die Entwicklung und Validierung personalisierter Vorhersagemodelle ermöglichen. Die Vorhersage des individuellen Engagements und die frühzeitige Erkennung unerwünschter Engagementmuster können die Personalisierung von DTx verbessern, was dazu beitragen könnte, die Nichteinhaltung zu reduzieren und das Behandlungsergebnis zu verbessern. Die personalisierte Vorhersage von DTx-Ergebnissen und Interaktionsmustern kann durch die Implementierung von KI-basierten Ansätzen wie Vorhersagemodellen für maschinelles Lernen erreicht werden. Personalisierte Vorhersagemodelle können zu einem besseren Verständnis darüber führen, wer in einer realen Umgebung am meisten von welcher Art von DTx profitiert. Zusammengenommen kann die Personalisierung von DTx-Behandlungsergebnissen und -engagement i) Entscheidungsfindungsprozesse in Patient-Kliniker-Dyaden verbessern, ii) die Effizienz digitaler Psychotherapie verbessern, iii) das Leiden von Patienten verringern und iv) direkte und indirekte Kosten im Zusammenhang mit der psychischen Gesundheit reduzieren Pflege. Potenzielle Diskriminierung aufgrund psychischer Gesundheit muss in KI-basierten Vorhersagemodellen berücksichtigt werden. Unvoreingenommene und nicht diskriminierende KI wird oft als verantwortungsbewusste KI bezeichnet. Die Berücksichtigung von Verzerrungen in KI-basierten Vorhersagemodellen auf der Grundlage eines bestimmten Datensatzes ist in der psychischen Gesundheitsversorgung besonders wichtig, um eine Beschleunigung der gesundheitlichen Diskriminierung zu verhindern.

Diese Studie soll KI-basierte Modelle für die personalisierte Vorhersage des Behandlungsengagements und der Behandlungsergebnisse bei Patienten entwickeln, die sich einer digitalen Psychotherapie unterziehen. Ein großer realer Datensatz von Patienten in einem digitalen Psychotherapieprogramm wird verwendet, um KI-Algorithmen zu trainieren. Verantwortliche KI-Algorithmen werden entwickelt, indem Verzerrungen aufgrund der Schwere mentaler Störungen in KI-basierten Modellen beschrieben, berücksichtigt und gemildert werden, zusätzlich zur Berücksichtigung von Verzerrungen aufgrund anderer sensibler Attribute wie Geschlecht, ethnische Zugehörigkeit und soziodemografischer Status. Ziel des vorgeschlagenen Projekts ist die Schätzung von KI-basierten Vorhersagemodellen für Behandlungsengagement und -ergebnisse auf der Grundlage von Daten der Online Therapy Unit von Prof. Heather Hadjistavropoulos von der University of Regina, Kanada. Der Datensatz der Online-Therapieeinheit enthält eine große Menge an Daten zu DTx von Menschen mit psychischen Störungen (erhoben im Rahmen von Forschungsstudien in der Online-Therapieeinheit von 2013 bis 2021) und stammt aus der öffentlich finanzierten, über das Internet bereitgestellten kognitiven Verhaltenstherapie (iCBT)-Programm in Saskatchewan, Kanada. Zusammenfassend eignet sich der Datensatz der Online-Therapieeinheit hervorragend als Trainings- und Testdatensatz für KI-basierte Vorhersagemodelle, da er eine große Anzahl von Teilnehmern, aus der realen Welt abgerufene Längsschnittdaten im Gegensatz zu einer klinischen Studie und eine reichhaltige Menge umfasst von prädiktiven Merkmalen.