Erschienen in:
29.11.2017 | Affektive Störungen | Leitthema
Big-Data-Ansätze in der Psychiatrie: Beispiele aus der Depressionsforschung
verfasst von:
Prof. Dr. Dr. D. Bzdok, T. M. Karrer, U. Habel, F. Schneider
Erschienen in:
Der Nervenarzt
|
Ausgabe 8/2018
Einloggen, um Zugang zu erhalten
Zusammenfassung
Hintergrund
Die Erforschung und Therapie von Depression ist erschwert durch heterogene ätiologische Mechanismen und diverse Komorbiditäten. Durch den Big-Data-Trend in der Psychiatrie können Forschung und Therapie zunehmend auf den individuellen Patienten ausgerichtet werden. Diese veränderte Zielstellung erfordert spezielle Analyseverfahren.
Ziel der Arbeit
Daher sollen die Möglichkeiten und Herausforderungen von Big-Data-Ansätzen in der Depressionsforschung näher beleuchtet werden.
Material und Methode
Anhand von Beispielen werden die Möglichkeiten von Big-Data-Ansätzen in der Depressionsforschung illustriert. Dabei werden moderne maschinelle Lernverfahren mit den traditionellen statistischen Methoden hinsichtlich ihres Anwendungspotenzials in der Depressionsforschung verglichen.
Ergebnisse
Maschinelle Lernverfahren eignen sich besonders zur Analyse detaillierter Beobachtungsdaten, zur Vorhersage einzelner Datenpunkte und mehrerer klinischer Variablen sowie zur Beschreibung von Endophänotypen. Der Transfer der Ergebnisse in die klinische Praxis stellt eine aktuelle Herausforderung von Big-Data-Ansätzen in der Depressionsforschung dar.
Schlussfolgerungen
Big-Data-Ansätze könnten ermöglichen, biologische Subtypen innerhalb der Depression zu identifizieren und Vorhersagen für einzelne Patienten zu treffen. Damit bergen sie enormes Potenzial für die Prävention, Diagnose, Therapie und Verlaufsprognose von Depressionen.