Adaptiv sequentielle Auswahl von Messzeitpunkten zur Vorhersage der mentalen Gesundheit

Abstract

Die Zunahme psychischer Störungen führt zu Leiden der Betroffenen sowie zu diversen gesellschaftlichen Problemen. Wegen steigender Gesundheitskosten und den Vorteilen einer frühen Intervention gilt neben der präzisen Prognosefähigkeit auch eine möglichst frühe und kosteneffiziente Prognose zu erreichen. Dabei bieten sequentielle Entscheidungen die Möglichkeit, mit der adaptiven Auswahl von Messzeitpunkten dies zu berücksichtigen. In dieser Arbeit wurde ein explorativer, datengetriebener Ansatz zur Vorhersage zukünftiger depressiver Symptome verfolgt. Dabei wurde untersucht, inwiefern die schrittweise Auswahl von Messzeitpunkten eine präzise, kosteneffiziente und frühzeitige Prädiktion ermöglicht. Es wurden zwei bereits bestehende Datensätze untersucht mit Informationen zum Lebensstil, der Gesundheit, der Arbeit und biometrische Messungen. Durch zwei frühere Messzeitpunkte wurde vorhergesagt, ob an einem zukünftigen dritten Messzeitpunkt erhöhte depressive Symptomatik vorliegt (binäre Klassifikation). Dafür wurden Machine Learning Modelle mit automatisierter Variablenselektion und Diskriminanzanalysen genutzt. Es konnte gefunden werden, dass im Vergleich zu zwei starren Messzeitpunkten die adaptiv sequentielle Auswahl mit einer deutlichen Reduktion der Anzahl zweiter Messzeitpunkte eine gleich gute Genauigkeit (Balanced Accuracy) erreicht. Dabei können die durchschnittlichen Gesamtkosten (Summe aus Messkosten und Fehlklassifikationskosten) reduziert werden. Im Vergleich zu nur einem Messzeitpunkt konnte gefunden werden, dass bei niedrig definierten Messkosten die sequentielle Auswahl weniger durchschnittliche Gesamtkosten verursacht. Bei steigenden definierten Messkosten verursacht jedoch die sequentielle Auswahl teilweise leicht höhere durchschnittliche Gesamtkosten. Dies kann in der Praxis helfen Entscheidungsregeln zu definieren und Monitoring gezielt und kosteneffizient einzusetzen. Künftige Forschung sollte validierte psychologische Variablen verwenden und den Zeitabstand zwischen Messungen systematisch variieren.