| Bipolare Störung ist eine psychiatrische Erkrankung mit Großen Auswirkungen auf das gesellschaftliche Leben der betroffenen PatientInnen, geht mit einem erhöhten Risiko für wiederholte Krankenhausaufenthalte und einem erhöhten Lebenszeitrisiko durch Suizidalität einher. Verzögerungen beim Stellen der korrekten Diagnose und beim Beginn einer wirksamen Behandlung resultieren in schlechteren Therapieergebnissen, sind aber aufgrund des sehr heterogenen Krankheitsbildes immer noch häufig. Techniken des maschinellen Lernens können dazu beitragen, die Diagnose „Bipolare Störung” früher zu stellen und so die Zeit vom Auftreten der ersten Symptome bis zum Beginn der Behandlung zu verkürzen.
Um diese Hypothese zu testen, wurden demografische Informationen und Ergebnisse aus kognitiven Leistungstests von 196 PatientInnen mit Bipolarer Störung und 145 gesunden Kontrollpersonen verwendet, um damit fünf verschiedene Algorithmen des maschinellen Lernens zu trainieren. Die Leistung dieser Algorithmen wurde verglichen, um den für diese Problemstellung am besten geeigneten Algorithmus zu finden. Der Algorithmus mit der besten Leistung war Logistische Regression mit einem macro-average F1 Score von 0,69 [95% CI 0,66 - 0,73]. Nach weiterer Optimierung konnte ein Modell mit einem macro-average F1 Score von 0,75, einem micro-average F1 Score von 0,77 und einer AUROC von 0,84 trainiert werden. Auf der Grundlage dieses Modells wurde analysiert, inwieweit einzelne Variablen zur Klassifizierung beitragen. Das Ergebnis war, dass der BMI eines/r PatientIn und die Ergebnisse des Stroop Tests und des d2/d2-R Tests allein eine Klassifizierung mit annähernd gleicher Genauigkeit ermöglichen.
Die Verwendung dieser Daten für eine klinische Anwendung bringt eine akzeptable Leistung, ist aber noch nicht geeignet, um die Diagnosefindung durch eine/n erfahrene/n ÄrztIn effektiv zu unterstutzen. Der Schwerpunkt der weiteren Forschung sollte auf der Identifizierung von Variablen liegen, die einen hohen Beitrag zur Klassifizierung leisten, um so die Leistung von Modellen des maschinellen Lernens weiter zu verbessern und dadurch in weiterer Folge die Diagnosestellung der Bipolaren Störung zu vereinfachen. |
