Vorhersage eines vorzeitigen Behandlungsabbruchs in der stationären Psychotherapie: Ein Ansatz des maschinellen Lernens

Ziel der Studie ist es, Risikofaktoren zu identifizieren, die in psychosomatischen Krankenhäusern zu einem vorzeitigen Behandlungsabbruch führen oder diesen vorhersagen. Langfristig soll die Studie dazu beitragen, präzisere Vorhersagemodelle zu entwickeln, die mithilfe einer Feedbackschleife die Kommunikation zwischen Therapeuten und Patienten über einen möglichen Abbruch und gegebenenfalls eine Anpassung der Behandlung verbessern können.

Da noch unklar ist, welche Variablen bei der Vorhersage des Behandlungsabbruchs in psychosomatischen Krankenhäusern eine große Rolle spielen, ist das Studiendesign explorativ und berücksichtigt ein breites Spektrum an Merkmalen von Aufnahmepatienten. Der Zweck dieser Studie besteht darin, ein Vorhersagemodell zu entwickeln, das auf den Informationen basiert, die routinemäßig bei der Aufnahme ausgewertet werden. Daher ist geplant, drei Arten von Variablen einzubeziehen: (1) demografische und andere klinische Variablen (z. B. Alter, Geschlecht, ICD-10-Diagnosen), (2) psychologische Fragebogendaten (z.B. PHQ, SF-12, EB-45, IIP-32, OPD-SFK) und (3) physiologische Daten (z. B. Routinelabordaten, Blutdruck). In die Studie werden alle Patienten einbezogen, die zwischen 2015 und Januar 2022 eine stationäre Psychotherapie am Klinikum Heidelberg begonnen haben, sodass sich eine Stichprobengröße von ca. N = 2000 ergibt. Da die durchschnittliche Abbrecherquote auf Basis metaanalytischer Ergebnisse bei etwa 20 % liegt, kann man davon ausgehen, dass bis zu 400 Patienten die Behandlung vorzeitig abgebrochen haben.

Zur Berechnung des Vorhersagemodells ist die Verwendung eines maschinellen Lernansatzes geplant, der in großen Datenmengen hochfunktional ist. Mithilfe eines Random-Forest-Modells für binäre Ergebnisse (reguläre Behandlungsdauer vs. vorzeitiger Behandlungsabbruch) sollen Variablen identifiziert werden, die zur Vorhersage eines vorzeitigen Behandlungsabbruchs bei Einnahme beitragen. Darüber hinaus werden Wartelisteneffekte berücksichtigt, indem die Wartezeit zwischen dem ersten Aufnahmegespräch und dem Zeitpunkt der Krankenhauseinweisung berücksichtigt wird. Daher wird in der Studie erstmals ein Vorhersagemodell für einen vorzeitigen Behandlungsabbruch in der stationären Psychotherapie unter Einbeziehung klinisch relevanter physiologischer Daten sowie Wartezeiteffekte in der Vorbereitung auf die psychosomatische Behandlung untersucht.