gms | German Medical Science

58. Kongress für Allgemeinmedizin und Familienmedizin

Deutsche Gesellschaft für Allgemeinmedizin und Familienmedizin (DEGAM)

26.09. - 28.09.2024, Würzburg

Methoden und Nutzen des Maschinellen Lernens für die diagnostische Güte eines Fragebogens zur Abklärung von Depressionssymptomen in der allgemeinmedizinischen Versorgung

Meeting Abstract

  • presenting/speaker Alexander Hapfelmeier - Technische Universität München, School of Medicine and Health, Institut für Allgemeinmedizin und Versorgungsforschung, München, Deutschland; Technische Universität München, School of Medicine and Health, Institut für KI und Informatik in der Medizin, München, Deutschland
  • Laura Schäffler - Technische Universität München, School of Medicine and Health, Institut für Allgemeinmedizin und Versorgungsforschung, München, Deutschland
  • Pauline Beigel - Technische Universität München, School of Medicine and Health, Institut für Allgemeinmedizin und Versorgungsforschung, München, Deutschland
  • Markus Bühner - Ludwig-Maximilians-Universität München, Fakultät für Psychologie, München, Deutschland
  • Antonius Schneider - Technische Universität München, School of Medicine and Health, Institut für Allgemeinmedizin und Versorgungsforschung, München, Deutschland
  • Victoria von Schrottenberg - Technische Universität München, School of Medicine and Health, Institut für Allgemeinmedizin und Versorgungsforschung, München, Deutschland
  • Klaus Linde - Technische Universität München, School of Medicine and Health, Institut für Allgemeinmedizin und Versorgungsforschung, München, Deutschland
  • Philipp Sterner - Ludwig-Maximilians-Universität München, Fakultät für Psychologie, München, Deutschland
  • Jochen Gensichen - Ludwig-Maximilians-Universität München, LMU Klinikum, Institut für Allgemeinmedizin, München, Deutschland
  • Clara Teusen - Technische Universität München, School of Medicine and Health, Institut für Allgemeinmedizin und Versorgungsforschung, München, Deutschland

Deutsche Gesellschaft für Allgemeinmedizin und Familienmedizin. 58. Kongress für Allgemeinmedizin und Familienmedizin. Würzburg, 26.-28.09.2024. Düsseldorf: German Medical Science GMS Publishing House; 2024. DocV-24-03

doi: 10.3205/24degam130, urn:nbn:de:0183-24degam1303

Veröffentlicht: 23. September 2024

© 2024 Hapfelmeier et al.
Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). Lizenz-Angaben siehe http://creativecommons.org/licenses/by/4.0/.


Gliederung

Text

Hintergrund: In Vorgängerstudien wurde ein Screening-Instrument für die Depressionsdiagnostik in Hausarztpraxen (DESY-PC-Fragebogen) entwickelt und mittels SCID-5-CV-Interviews nach DSM-5 validiert (n=435). Der DESY-PC umfasst 28 psychiatrische Diagnosekriterien und patientenseitige Faktoren, sowie 15 hausärztliche Heuristiken, die gemeinsam einen Summenscore von 0–43 Punkten ergeben. In der Validierung erzielte der DESY-PC eine sehr hohe diagnostische Güte von 0,874 (= Fläche/Area unter der ROC-Kurve; AUC).

Fragestellung: Lassen sich durch Anwendung von statistischer Modellierung und Methoden des Maschinellen Lernens (ML) die diagnostische Güte des Fragebogens erhöhen und besonders relevante Items identifizieren?

Methoden: Benchmarkstudie mit interner Kreuzvalidierung für den fairen Vergleich der diagnostischen Güte (AUC) des DESY-PC mit statistischen Regressionsmodellen und ML, die unter Verwendung der Fragebogenitems, soziodemographischen Informationen und Fragen zu früheren Diagnosen erstellt werden. Die potentielle Überlegenheit komplexer Modellierungen und die Möglichkeit der Identifikation besonders relevanter Items soll überprüft werden.

Ergebnisse: Vorläufige Ergebnisse liegen für den Vergleich des DESY-PC-Summenscores mit einem Random-Forest-Modell (RF) als starker ML-Vertreter vor. Beide erreichen die gleiche und sehr hohe diagnostische Güte von AUC=0,872, wobei einige der verwendeten Variablen im RF von besonderer Relevanz sind. So erreichten 21 von 28 patientenbezogenen Items und 5 von 15 arztbezogenen Items des DESY-PC statistische Signifikanz. Gleiches gilt für 2 von 13 soziodemographischen Informationen und Fragen zu früheren Diagnosen einer Depression und chronischen Krankheiten. Insgesamt zeigten 28 von 56 (50%) Variablen eine hohe Relevanz mit statistischer Signifikanz.

Diskussion: Die diagnostische Güte ließ sich durch die Anwendung eines RF nicht verbessern. Es zeigte sich jedoch, dass sich Items von besonderer Relevanz bestimmen lassen. Bis zum Kongress wird eine umfangreiche Benchmarkstudie durchgeführt, um weitere Modellierungs- und Variablenselektionsmethoden zu prüfen, und um ihren Nutzen sowie Anwendbarkeit kritisch zu diskutieren.

Take Home Message für die Praxis: Hausärztliche und maschinelle Intelligenz lassen sich im DESY-PC mit der Selbsteinschätzung von Patient:innen vereinen, um praktikable und akkurate Diagnostiken einer Depression zu unterstützen.