Diagnostik und Therapie rund um die Uhr? Künstliche Intelligenz als Herausforderung und Chance für Psychiatrie und Psychotherapie

Zusammenfassung

Ziel Der Artikel soll ein grundsätzliches Verständnis der neu entstandenen Potenziale von KI-Anwendungen und dadurch entstehende Anforderungen an Psychiaterinnen und Psychiater in der Gegenwart und für die Entwicklung der Praxisumgebung der Zukunft ermöglichen. Psychiaterinnen und Psychiater werden in ihrer zukünftigen Praxis verstehen müssen, wie KI-Systeme und personalisierte KI-Assistenten in Therapiesystemen und als Teil der normalen Lebensrealität ihrer Patienten funktionieren.

Methode Der Beitrag gibt einen Überblick über Grundkategorien und Anwendungsfelder von KI und Machine Learning in Diagnostik, Prävention und Therapie psychischer Störungen.

Ergebnisse KI-Anwendungen werden die Prävention, Diagnose und Behandlung sowie das ätiologische Grundverständnis psychischer Störungen neu prägen. Dabei ist zu beachten, dass die Therapie psychischer Störungen erheblich durch kommerzielle Produktentwicklungen und Assistenzsysteme außerhalb des medizinischen Systems geprägt wird, da hier die entsprechenden Entwicklungen auf größeren Datenmengen und deutlich geringeren Restriktionen basieren.

Schlussfolgerung Psychiaterinnen und Psychiater sollten den Einsatz von KI-Systemen aktiv mitgestalten, da sonst die Kompetenzen zum Nachteil der Patienten und langfristig auch der Behandler in ein primäres Feld außerhalb des medizinischen Systems verlagert werden könnten.

Abstract

Objective The aim of the article is to enable a fundamental understanding of the potentials and requirements of Artificial Intelligence (AI) for psychiatrists in the present and for the development of future working environments. Psychiatrists will need to understand the function of AI-systems and personalized AI-assistants in therapy systems and as part of their patients’ daily life.

Method The article provides an overview of basic categories and fields of application of AI and machine learning in the diagnosis, prevention and therapy of mental disorders.

Results AI-applications will shape the prevention, diagnosis and treatment as well as the basic etiological understanding of mental disorders. Notably, the treatment of mental disorders is significantly influenced by commercial product development and assistance systems outside the medical system, as the corresponding developments can exploit large data pools with significantly lower restrictions.

Conclusion Psychiatrists should now seize the opportunity to actively shape the implementation of AI-systems as otherwise key competences could be transferred to a primary field outside the medical system to the detriment of the patient and the therapist.

Schlüsselwörter

Künstliche Intelligenz - Machine Learning - Computational Psychiatry - Datenaggregation - Expertensysteme - Therapieassistenten

Keywords

Artificial Intelligence - machine learning - computational psychiatry - data aggregation - expert systems - therapy assistants

Publication History

Article published online:
02 March 2021

• Literatur

• 1 Weizenbaum J. ELIZA – A Computer Program For the Study of Natural Language Communication Between Man And Machine. Commun ACM 1966; 9
• 2 Premack D, Woodruff G. Does the chimpanzee have a theory of mind?. Behav Brain Sci 1978; 1: 515-526 DOI: 10.1017/S0140525X00076512.
• 3 Frith CD, Frith U. Mechanisms of social cognition. Annu Rev Psychol 2012; 63: 287-313
• 4 Schnell K, Bluschke S, Konradt B. et al. Functional relations of empathy and mentalizing: An fMRI study on the neural basis of cognitive empathy. Neuroimage 2011; 54: 1743-1754
• 5 Fitzpatrick KK, Darcy A, Vierhile M. Delivering Cognitive Behavior Therapy to Young Adults With Symptoms of Depression and Anxiety Using a Fully Automated Conversational Agent (Woebot): A Randomized Controlled Trial. JMIR Ment Heal 2017; 4: e19
• 6 Fiske A, Henningsen P, Buyx A. Your Robot Therapist Will See You Now: Ethical Implications of Embodied Artificial Intelligence in Psychiatry, Psychology, and Psychotherapy. J Med Internet Res 2019; 21: e13216
• 7 Walsh T. Turing’s Red Flag. CoRR; 2015. abs/1510.0 Im Internet: http://arxiv.org/abs/1510.09033
• 8 Schnell K. Mentalizing functions provide a conceptual link of brain function and social cognition in major mental disorders. Psychopathology 2014; 47: 408-416
• 9 Sanfelici R, Dwyer DB, Antonucci LA. et al. Individualized Diagnostic and Prognostic Models for Patients With Psychosis Risk Syndromes: A Meta-analytic View on the State of the Art. Biol Psychiatry 2020; 88: 349-360
• 10 Tensorflow Ressourcen Kurs Maschinelles Lernen. Im Internet: https://www.tensorflow.org/resources/learn-ml
• 11 Stephan KE, Schlagenhauf F, Huys QJM. et al. Computational neuroimaging strategies for single patient predictions. Neuroimage 2017; 145: 180-199
• 12 Koutsouleris N, Meisenzahl EM, Davatzikos C. et al. Use of neuroanatomical pattern classification to identify subjects in at-risk mental states of psychosis and predict disease transition. Arch Gen Psychiatry 2009; 66: 700-712
• 13 Bracher-Smith M, Crawford K, Escott-Price V. Machine learning for genetic prediction of psychiatric disorders: a systematic review. Mol Psychiatry 2021; 26: 70-79 DOI: 10.1038/s41380-020-0825-2.
• 14 Stephan KE, Iglesias S, Heinzle J. et al. Translational Perspectives for Computational Neuroimaging. Neuron 2015; 87: 716-732
• 15 Kaminski J, Katthagen T, Schlagenhauf F. Computational psychiatry: Data-driven vs. mechanistic approaches. Nervenarzt 2019; 90: 1117-1124
• 16 Myin-Germeys I, Kasanova Z, Vaessen T. et al. Experience sampling methodology in mental health research: new insights and technical developments. World Psychiatry 2018; 17: 123-132
• 17 Oorschot M, Lataster T, Thewissen V. et al. Emotional experience in negative symptoms of schizophrenia – no evidence for a generalized hedonic deficit. Schizophr Bull 2013; 39: 217-225
• 18 Chan S, Siegel EL. Will machine learning end the viability of radiology as a thriving medical specialty?. Br J Radiol 2019; 92: 20180416
• 19 Clark DG, Kapur P, Geldmacher DS. et al. Latent Information in Fluency Lists Predicts Functional Decline in Persons at Risk for Alzheimer Disease. Cortex 2014; 55: 202-218
• 20 Bhagwat N, Pipitone J, Voineskos AN. et al. An artificial neural network model for clinical score prediction in Alzheimer disease using structural neuroimaging measures. J Psychiatry Neurosci 2019; 44: 246-260
• 21 Ahmed S, Haigh A-MF, de Jager CA. et al. Connected speech as a marker of disease progression in autopsy-proven Alzheimer’s disease. Brain 2013; 136: 3727-3737
• 22 Tran T, Kavuluru R. Predicting mental conditions based on „history of present illness“ in psychiatric notes with deep neural networks. J Biomed Inform 2017; 75S: 138-148
• 23 Ford E, Greenslade N, Paudyal P. et al. Predicting dementia from primary care records: A systematic review and meta-analysis. PLoS One 2018; 13: e0194735 DOI: 10.1371/journal.pone.0194735.
• 24 Schoenherr D, Paulick J, Worrack S. et al. Quantification of nonverbal synchrony using linear time series analysis methods: Lack of convergent validity and evidence for facets of synchrony. Behav Res Methods 2019; 51: 361-383
• 25 Ramseyer F, Tschacher W. Nonverbal synchrony of head- and body-movement in psychotherapy: different signals have different associations with outcome. Front Psychol 2014; 5: 979
• 26 Safran JD, Muran JC, Eubanks-Carter C. Repairing alliance ruptures. Psychotherapy (Chic) 2011; 48: 80-87
• 27 Klein JP, Gerlinger G, Knaevelsrud C. et al. Internetbasierte Interventionen in der Behandlung psychischer Störungen. Nervenarzt 2016; 87: 1185-1193
• 28 Löbner M, Stein J, Rechenberg T. et al. Nutzungsakzeptanz einer Online-Intervention zur Verbesserung depressiver Symptome bei Menschen mit Adipositas. Psychiat Prax 2019; 46: 451-459
• 29 Reininghaus U. Ambulatorische Interventionen in der Psychiatrie: das Momentum für Veränderung im alltäglichen sozialen Kontext. Psychiat Prax 2018; 45: 59-61
• 30 Karmen CL, Reisfeld MA, McIntyre MK. et al. The Clinical Value of Heart Rate Monitoring Using an Apple Watch. Cardiol Rev 2019; 27: 60-62
• 31 Fegert J, Baumeister H, Brieger P. et al. Greifswalder Erklärung zur gesellschaftlichen Bedeutung des Bereichs psychische Gesundheit in der Gesundheitsforschung – „Lost in Translation?“. Psychiat Prax 2019; 46: 70-72