Die IMMERSE blog

Bitte folgen Sie unserem Twitter-Konto @Immerse_Project, um auf dem Laufenden zu bleiben.

Einsatz von KI zur Vorhersage der Dynamik der Gesundheit

Vor 2500 Jahren sagte Heraclitus berühmt: "Alles fließt und nichts bleibt bestehen." Während seine Erkenntnis etwas Trost bieten kann, wenn man mit den Launen des Schicksals konfrontiert ist, sind Wissenschaftler normalerweise nicht so leicht zufrieden. Ist es wahr, dass nichts feststeht? Und wie genau fließen die Dinge, wenn sie fließen?

Nach der wissenschaftlichen Revolution im 16. Jahrhundert haben Wissenschaftler einige bedeutende Fortschritte bei der Bestimmung dessen gemacht, was möglicherweise fest ist. Newton entdeckte, dass planetarische Umlaufbahnen den unveränderlichen Gesetzen der Schwerkraft gehorchen und ihren Fluss in der schönen Sprache des Kalküls festhielten, die noch heute Schülerinnen und Schüler in der Oberstufe plagt. Einstein erkannte, dass die Geschwindigkeit des Lichts konstant bleibt, auch wenn sich Raum und Zeit um es herum verzerren.

Über das Verständnis dessen, was feststeht, haben Wissenschaftler auch Fortschritte im Verständnis dessen gemacht, wie sich Dinge ändern: vom Klima über den Aktienmarkt bis hin zur unglaublichen Komplexität von 80 Milliarden miteinander verbundenen Neuronen, die ein menschliches Gehirn bilden; Dynamik kommt in vielen Formen und stellt eine gewaltige Herausforderung für diejenigen dar, die Modelle daraus erstellen möchten.

Unsere menschlichen Psyche, die mit der Dynamik des Gehirns verwoben ist und in einer komplexen Welt voller Unsicherheiten eingebettet ist, ist ebenfalls immer im Wandel. Und so sollte es nicht überraschen, dass auch psychische Erkrankungen komplexe dynamische Muster aufweisen können. Die bipolare Störung dient als Beispiel: Sie ist durch schwankende Stimmungen gekennzeichnet, die zwischen depressiven und manischen Phasen schwanken, und ihre Unvorhersehbarkeit kann für Betroffene schwer zu bewältigen sein.

Als Johannes Kepler versuchte, die beobachteten Bewegungen der Umlaufbahnen in Gleichungen zu destillieren, dauerte es fast ein Jahrzehnt, bis er seine renommierten Gesetze formuliert hatte, basierend auf den Daten, die er von Tycho Brahe erhalten hatte. Dennoch müssen sich Wissenschaftler des 21. Jahrhunderts nicht ausschließlich auf Stift und Papier verlassen, wenn sie Bewegungsgleichungen herausfinden. Sie werden von Computern und Lernalgorithmen unterstützt. Maschinelles Lernen und KI-Techniken sind immer leistungsfähiger darin geworden, Muster automatisch aus unterschiedlichen Daten zu extrahieren. Sie haben bereits ihren Weg in viele medizinische Anwendungen gefunden und sollen in noch viele weitere Einzug halten.

Meine Forschungsgruppe am Zentralinstitut für Seelische Gesundheit konzentriert sich auf ein Teilgebiet der KI, das als Rekonstruktion dynamischer Systeme bezeichnet wird. Wir verwenden neuronale Netzwerke, um Modelle aus den Strömungen um uns herum zu extrahieren. Diese Netzwerke können aus Messungen des Herzens oder des Gehirns stammen, oder, wie im Beispiel von IMMERSE, aus Smartphone-Daten aus dem Alltag von Menschen, die mit psychischen Gesundheitsproblemen zu kämpfen haben.

Sobald wir eine Reihe von Modellen extrahiert haben, können wir sie verwenden, um die unmittelbare Zukunft vorherzusagen, oder wir können sie verwenden, um verborgene dynamische Muster und Trends zu verstehen, ähnlich wie beim Versuch, kurzfristiges Wetter und langfristigen Klimawandel vorherzusagen.

Genauer gesagt untersuchen wir in meinem Projekt die Integration von Informationen aus mehreren gemeinsam beobachteten Modalitäten. Die Daten in Smartphone-basierten Studien wie IMMERSE werden oft mit der Experience Sampling Method (ESM) gesammelt, die den Teilnehmenden mehrmals täglich Fragebögen zu ihrer aktuellen Stimmung stellt (z. B. wie glücklich sind Sie auf einer Skala von 1 bis 10?). Smartphones haben jedoch auch die Möglichkeit, passive Daten zu sammeln, wie Schrittzahlen, Aktivitätsmuster oder GPS-Daten, die nicht von der zeitintensiven und manchmal unzuverlässigen Teilnahme an Umfragen durch die Studienteilnehmenden abhängen. Diese passiv gesammelten Daten können gleichzeitig sehr unterschiedlich aussehen als die ESM-Bewertungen (wie Anzahl der Schritte pro Stunde oder abstrakte GPS-Koordinaten, die etwa so aussehen: "41.40338, 2.17403"), und ihre Integration erfordert einige Einfallsreichtum.

Als Teil meines Projekts haben wir ein neuartiges Schulungsparadigma entwickelt, basierend auf mehreren aktuellen Fortschritten in der Extraktion dynamischer Modelle. Der Rahmen, der Multimodal Variational Autoencoder-Teacher Forcing (ja, er ist eine Herausforderung zu sagen), kann mehrere gleichzeitig beobachtete Zeitreihen aufnehmen und verwenden, um ein gemeinsames Dynamikmodell zu extrahieren.

Mehr Daten bedeuten in der Regel ausdrucksstärkere und leistungsfähigere Modelle, und die Integration von passiven und aktiven Sensordaten verspricht ein gründlicheres Verständnis der dynamischen Prozesse, die psychische Erkrankungen zugrunde liegen. Stellen Sie sich zum Beispiel eine bevorstehende depressive Episode vor: Während Personen möglicherweise eine reduzierte Motivation haben, Umfragen auszufüllen, könnte es auch einen spürbaren Rückgang der körperlichen Aktivität oder mehr Zeit drinnen geben, wie durch Schritt- oder GPS-Daten angezeigt. Die Kombination dieser Informationen in einem gemeinsamen Modell kann den Klinikerinnen und Klinikern Frühwarnzeichen liefern, um dem Auftreten dieser Episoden effektiv entgegenzuwirken und die Therapie zu verbessern.

Die Verwendung von KI-Modellen in klinischen Umgebungen erfordert Sorgfalt und ein gründliches Verständnis der spezifischen technischen und ethischen Herausforderungen des Fachgebiets, verspricht aber auch eine verbesserte personenzentrierte Versorgung: Ein KI-Modell kann eine Perspektive bieten, die viel besser auf das Individuum zugeschnitten ist, da es komplexe Beziehungen aus den Daten extrahieren kann, die einzigartig für dieses Individuum sind. Diese Beziehungen könnten für einen Kliniker unter Zeitdruck oder basierend ausschließlich auf den Selbstberichten der Probanden während der Sprechstunden schwerer zu erkennen sein, wenn nur wenige Daten vorliegen, die dies unterstützen.

Daher besteht die Hoffnung, dass die Integration dieser Modelle in die klinische Praxis und Smartphone-basierte Therapieansätze den Klinikerinnen und Klinikern ein verbessertes Verständnis der individuellen Herausforderungen bietet und eine Synergie zwischen dem menschlichen Element der Therapie und der Fähigkeit der KI, verborgene Muster aus vielen Formen von Daten zu erkennen.