KI in der Psychosomatik: Maschinelles Lernen prognostiziert Reha-Erfolg
Random Forest-Modelle erklären über 30 Prozent der Varianz – Einzelitems als Schlüsselprädiktoren für personalisierte Behandlungsansätze
Die Identifikation von Patientinnen und Patienten, die möglicherweise nicht von einer Standardtherapie profitieren (sog. Non-Responder), ist eine der zentralen Herausforderungen der stationären psychosomatischen Rehabilitation. Eine aktuelle Studie hat nun erstmals das Potenzial von maschinellem Lernen – konkret der Random Forest-Methode – untersucht, um den individuellen Behandlungserfolg präzise vorherzusagen. Die Ergebnisse deuten darauf hin, dass KI-gestützte Modelle eine deutlich differenziertere Prognose erlauben als klassische statistische Verfahren.
Methodik: Datentiefe durch Random Forest
Die Forscher nutzten eine Sekundärdatenanalyse im naturalistischen Design. Das Besondere an der Wahl des Random Forest-Algorithmus ist seine Fähigkeit, mit einer sehr hohen Anzahl an Variablen (p=555) umzugehen. Neben klassischen Skalenwerten konnten so auch 28 Einzelitems aus 16 Selbstbeurteilungsinstrumenten sowie elf Personenmerkmale als eigenständige Prädiktoren in die Modelle einfließen.
Zur Sicherstellung der Ergebnisqualität wurde eine verschachtelte Kreuzvalidierung angewandt. Dieses Verfahren testet das Modell an Daten, die nicht für das Training verwendet wurden, um die Generalisierbarkeit der Prognosen auf neue Patienten sicherzustellen.
Die Ergebnisse im Überblick
Die Studie untersuchte den Behandlungserfolg in vier Dimensionen. Die Modelle konnten beachtliche Varianzanteile erklären:
| Dimension des Behandlungserfolgs | Erklärte Varianz (Training) | Erklärte Varianz (Validierung) |
| Symptomschwere | 30,02% – 38,94% | 29,33% – 37,83% |
| Lebensqualität | Bereichsübergreifend stabil | Hohe Validität |
| Interpersonelle Beziehungen | Hohe Relevanz von Einzelitems | Konsistente Ergebnisse |
| Selbstwirksamkeit | Differenzierte Prädiktoren | Bestätigt durch Kreuzvalidierung |
Interessanterweise waren nur zwei der 45 identifizierten Prädiktoren für alle vier Dimensionen gleichermaßen relevant. Dies unterstreicht die Notwendigkeit, den Erfolg einer psychosomatischen Rehabilitation multidimensional zu betrachten.
Bedeutung für das Klinikmanagement
Die Studie liefert zusätzliche Evidenz für bereits bekannte Faktoren, wie etwa das Rentenbegehren, zeigt aber durch die Analyse von Einzelitems neue, feingliedrige Zusammenhänge auf.
Fazit der Autoren: „Mittels Random Forest-Modellen konnten für alle untersuchten Dimensionen individuellen Behandlungserfolges hohe Varianzanteile erklärt werden.“
Trotz der hohen statistischen Güte dämpfen die Forscher die Erwartungen an eine sofortige praktische Umsetzung im Sinne einer vollautomatisierten personalisierten Medizin. Zahlreiche Limitationen stünden einer zeitnahen Implementierung im klinischen Alltag noch entgegen. Dennoch markiert die Studie einen wichtigen Meilenstein für die Nutzung von Big Data und KI zur Optimierung der Passung zwischen Patient und Behandlungsangebot.
