Journal Article

Vorhersage vorzeitiger Behandlungsbeendigungen (teil-)stationärer Psychotherapien: Ein Machine Learning Ansatz (#428)

Jennissen, Simone, Engstler, Marlene, Dinger, Ulrike, Friederich, Hans-Christoph

2025

Overview

Hintergrund: Eine:r von fünf Patient:innen beendet vorzeitig eine psychotherapeutische Behandlung (Swift & Greenberg, 2012). Dies ist gravierend, da vorzeitige Therapiebeendigungen mit schlechteren Behandlungsverläufen und -erfahrungen für Patient:innen, aber auch mit negativen Folgekosten für das Gesundheitssystem assoziiert sind (Barrett et al., 2008). Vorzeitige Beendigungen können insb. im stationären Kontext, wo einerseits ein besonders hoher Leidensdruck für Patient:innen besteht und außerdem die direkten und indirekten Behandlungskosten erheblich sind, mit schwerwiegenden Folgen für die psychische Gesundheit einhergehen. Neuere methodische Ansätze aus dem Machine Learning Bereich erlauben eine präzise Analyse von großen Datensätzen unter Berücksichtigung komplexer Interaktionen (Giesemann et al., 2023). Ziel: Die Studie hat zum Ziel, Risikofaktoren zu identifizieren, die mit einer vorzeitigen Beendigung einer (teil-)stationären Behandlung in einem psychosomatischen Krankenhaus assoziiert sind. Methode: Klinische Routinedaten zum Zeitpunkt der Behandlungsaufnahme sowie des ersten Ambulanzkontakts zur Indikationsstellung von N = 2017 (teil-)stationären Patient:innen wurden retrospektiv analysiert. Auf Basis der Entlassbriefe wurden die Patient:innen zunächst mittels zweier unabhängiger Ratings einer von vier Kategorien für die vorzeitige Beendigung zugeordnet. Als Prädiktoren in die Vorhersagemodelle einbezogen wurden neben psychometrischen Variablen (Fragebögen) und weiteren klinischen Merkmalen (Diagnosen, Soziodemographie) auch klinisch relevante Parameter aus Aufnahmeuntersuchung und Labor. Zur Berechnung des Vorhersagemodells wurde ein Random Forest Model verwendet, welches sich für die Berechnung von Klassifikationsaufgaben eignet. Ergebnisse: Auf Basis der gerateten Entlassbriefe zeigte sich, dass 12 % der Patient: innen die (teil-)stationäre Behandlung aus therapeutischen Gründen vorzeitig beendete. Unter diesen Fällen handelte es sich bei knapp über der Hälfte um patientenseitige Abbrüche. Durch das Vorhersagemodell ermittelte Risikofaktoren für eine vorzeitige Beendigung bzw. Therapieabbruch werden vorgestellt. Diskussion: Risikofaktoren und daraus abgeleitete Behandlungsimplikationen werden diskutiert. Langfristiges Ziel ist es, durch präzisere Vorhersagemodelle ein Feedback-Instrument für Therapeut:innen zur Verfügung zu haben, sodass durch gezielte Interventionen das Risiko eines Therapieabbruchs reduziert werden kann.

• Publisher: Vandenhoeck und Ruprecht
• Subject: Machine learning