Die digitale Phänotypisierung verspricht eine Verbesserung der klinischen Beurteilung und des Patientenmonitorings bei psychischen Störungen. Durch Smartphone-Sensoren können Verhaltensmarker passiv und kontinuierlich erfasst werden. Allerdings wird die Identifizierung eindeutiger Verhaltensmarker für die Psychopathologie anhand von Smartphone-Sensoren durch heterogene Diagnosekategorien und unspezifische Symptome erschwert. Ohne eine präzise Zuordnung des erfassten Verhaltens zur Psychopathologie kann das Potenzial der digitalen Psychiatrie nicht ausgeschöpft werden. Eine rezente Studie von Ringwald et al., erschienen in JAMA Network Open, untersuchte mittels Smartphone-Sensoren erfasste Verhaltensweisen, die mit verschiedenen Formen der Psychopathologie zusammenhängen.
Einleitung
Bei der bisherigen Patientenbetreuung werden wichtige Informationen zwischen Arztterminen, wie etwa zu Symptomen im alltäglichen Leben der Betroffenen, nicht erfasst. Die persönliche klinische Beobachtung liefert lediglich eine Momentaufnahme des Zustands und Selbstberichte der Patientinnen und Patienten werden nur episodisch erhoben. Dies schränkt nicht nur die Symptomüberwachung ein, sondern schmälert auch den wissenschaftlichen Erkenntnisgewinn über die Aufrechterhaltungsmechanismen der Psychopathologie.
Die digitale Phänotypisierung mithilfe »Mobile Sensing« (Datenerfassung mittels Sensoren eines mobilen Geräts) kann diese Einschränkungen überwinden. Smartphone-Sensoren erfassen kontinuierlich durch passive Datenerhebung Verhaltensmarker für soziale Teilhabe, körperliche Aktivität, Schlaf und andere Bereiche klinisch relevanter Funktionen. Solche Marker liefern valide Patientendaten und neue Erkenntnisse über die Mechanismen, die Psychopathologien antreiben.
Erste Studienergebnisse stützen den potenziellen klinischen Nutzen mobiler Sensoren. Das von Smartphone-Sensoren erfasste Verhalten kann den aktuellen Zustand und die Symptomschwere für Erkrankungen, wie Depressionen, Schizophrenie, bipolare Störungen, Angstzustände und posttraumatische Belastungsstörungen, prognostizieren.
Allerdings konnte bisher keine eindeutige Verhaltenssignatur für eine bestimmte Form der Psychopathologie identifiziert werden. In einzelnen Studien werden für eine bestimmte Erkrankung unterschiedliche Kombinationen von Verhaltensweisen beschrieben. Dies ist zum Teil darauf zurückzuführen, dass zur Diagnosestellung das DSM-5 (diagnostic and statistical manual of mental disorders fifth edition) verwendet wird. DSM-5-Diagnosen sind sehr heterogen und dies könnte die inkonsistenten und sogar widersprüchlichen Verhaltensmarker erklären, die in verschiedenen Studien für dieselbe Störung gefunden wurden (z. B. wird Depression mit mehr und auch mit weniger Bildschirmzeit in Verbindung gebracht). Des Weiteren kommt es auch zu Symptomüberschneidungen.
Da sich viele Studien zur mobilen Sensorik auf einzelne Störungen fokussieren, ist nicht bekannt, ob ein identifizierter Verhaltensmarker für eine Form der Psychopathologie einzigartig ist. Eine der wenigen konsistenten Erkenntnisse ist, dass jede bisher untersuchte Diagnose mit einer verminderten Mobilität in Verbindung gebracht wurde, was darauf hindeutet, dass es sich um einen unspezifischen Marker handelt.
Ohne eine genaue und umfassende Zuordnung des erfassten Verhaltens zur Psychopathologie kann das Potenzial der digitalen Psychiatrie für Forschung und klinischen Praxis jedoch nicht genützt werden.
Dimensionale Modelle der Psychopathologie eignen sich besser für die digitale Phänotypisierung. Die meisten psychischen Probleme fallen in 6 große Bereiche: Internalisierung, »Detachment« (etwa »soziale Distanziertheit«), Enthemmung, Antagonismus (Feindseligkeit), Denkstörungen und somatoforme Störungen. Es gibt auch Hinweise auf eine umfassendere allgemeine Dimension der Psychopathologie, den p-Faktor (allgemeiner Psychopathologiefaktor), der Merkmale widerspiegelt, die alle Bereiche betreffen. Verhaltensmarker werden in Domänen organisiert, die gemeinsame von spezifischen Ausdrucksformen der Psychopathologie trennen. Dies könnte die grundlegende Frage beantworten, ob Sensoren nur allgemeine Indikatoren für die psychische Gesundheit (d. h. den p-Faktor) erfassen, oder ob sie Verhaltensweisen detektieren, die Formen der Psychopathologie (d. h. Domänen) unterscheiden.
Lt. Ringwald et al. hatte ihre aktuelle Studie zum Ziel, erfasste Verhaltensmarker den 6 Hauptbereichen der Psychopathologie und dem p-Faktor zuzuordnen. Ziel war es, die Bandbreite der Psychopathologie, die mit Smartphone-Sensoren bestimmt werden kann, sowie die Spezifität der Marker für verschiedene Formen der Psychopathologie zu ermitteln.
Methodik
In einer Querschnittsstudie wurden Daten aus der Studie ILIADD (intensive longitudinal investigation of alternative diagnostic dimensions) vom 1. Januar bis zum 31. Dezember 2023 gesammelt. Teilnahmeberechtigt waren Personen im Alter zwischen 18 und 50 Jahren, die ein für die Studie geeignetes Android- oder iPhone-Smartphone besaßen. Die Teilnehmerinnen und Teilnehmer wurden über ein klinisches Forschungsregister aus der Bevölkerung rekrutiert. Eine freiwillige Stichprobe wurde hinsichtlich des psychischen Behandlungsstatus ausgewählt. Es erfolgte eine Basisbefragung und eine 15-tägige Überwachung mittels Smartphone.
Die dimensionale Psychopathologie wurde zu Studienbeginn mittels des Fragebogens HiTOPPRO (Hierarchical Taxonomy of Psychopathology Patient Reported Outcomes) erfasst, welcher 405 Items beinhaltet. Hiermit wurden Symptome und Verhaltensweisen des vergangenen Monats bewertet. Die Studienteilnehmenden gaben auf einer Skala von 1 (überhaupt nicht) bis 4 (sehr stark) an, inwieweit jedes Item auf sie zutraf. Die Forschenden ermittelten transdiagnostische psychopathologische Dimensionen von Internalisierung, Detachment, Enthemmung, Antagonismus, Denkstörung, somatoformen Störungen und des p-Faktors. Die Sensordaten vom globalen Positionierungssystem (GPS), einem Beschleunigungsmesser sowie von Bewegungen, Anrufprotokollen, Bildschirmaktivität und Batteriestatus wurden mittels EARS-App (Effortless Assessment Research System) gesammelt. Daraus wurden 27 Variablen abgeleitet, die das tägliche Verhalten zusammenfassen. Die Analysen erfolgten mittels mehrstufiger Strukturgleichungsmodelle (MSEMs).
Resultate
Insgesamt wurden 557 Personen in die Studie einbezogen (463 [83 %] weiblich; mittleres Alter [SD] 30,7 [8,8] Jahre). Es fanden sich signifikante Zusammenhänge zwischen sensorbasierten Verhaltensmustern und den psychopathologischen Dimensionen. Der multiple Korrelationskoeffizient (R) zeigte, dass der Bereich, der am stärksten mit dem gemessenen Verhalten korrelierte, Detachment war (R = 0,42; 95 %-Konfidenzintervall [KI] 0,29 bis 0,54), gefolgt von somatischer Störung (R = 0,41; 95 %-KI 0,30 bis 0,53), Internalisierung (R = 0,37; 95 %-KI 0,25 bis 0,50), Enthemmung (R = 0,35; 95 %-KI 0,19 bis 0,51), Antagonismus (R = 0,33; 95 %-KI 0,6 bis 0,59) und Denkstörungen (R = 0,28; 95 %-KI -0,19 bis 0,75).
Jeder psychopathologische Bereich war mit 4–10 Smartphone-Sensorvariablen assoziiert. Detachment, somatoforme Störungen und Internalisierung wiesen die meisten Verhaltensmarker auf. Von den 27 Smartphone-Sensorvariablen standen 14 (52 %) in Zusammenhang mit Bereichen der Psychopathologie. Nach Adjustierung um die gemeinsame Varianz zwischen den psychopathologischen Dimensionen behielten alle Bereiche mit Ausnahme der Denkstörungen signifikante, inkrementelle Assoziationen mit den Sensorvariablen bei, die spezifische Verhaltensmarker widerspiegelten. Die Ergebnisse entsprachen den konzeptionellen Erwartungen. Es zeigte sich z. B., dass Menschen mit höherem Antagonismus-Score dazu neigten, weniger und kürzere Telefonate zu führen – nicht unbedingt weniger Anrufe zu erhalten – was darauf hindeutet, dass sich dieser Bereich speziell in einer geringeren sozialen Initiative manifestiert, z. B. Antagonismus und Anzahl der Anrufe (standardisiertes β = -0,11; 95 %-KI -0,20 bis -0,02) sowie Anrufdauer (standardisiertes β = -0,15; 95 %-KI -0,26 bis -0,04). Detachment war mit geringerer körperlicher Mobilität (z. B. geringere Gehzeit [standardisiertes β = -0,23; 95 %-KI -0,32 bis -0,15]), Enthemmung war mit niedrigerem Akkuladestand assoziiert (standardisiertes β = -0,24; 95 %-KI -0,40 bis -0,08).
Die Forschenden konnten außerdem zeigen, dass der p-Faktor konkrete Verhaltensausprägungen hatte. Der p-Faktor war assoziiert mit: geringerer Mobilität (standardisiertes β = -0,22; 95 %-KI -0,32 bis -0,12), mehr Zeit, die zu Hause verbracht wurde (standardisiertes β = 0,23; 95 %-KI 0,14–0,32), späterer Schlafenszeit (standardisiertes β = 0,25; 95 %-KI 0,11 bis 0,38) und geringerem Ladezustand des Handys (standardisiertes β = -0,16; 95 %-KI -0,30 bis -0,01). Der p-Faktor wurde als latenter Faktor modelliert, der aus der gemeinsamen Varianz geschätzt wurde.
Diskussion
Ringwald et al. heben hervor, dass ihre Studie neue Erkenntnisse zur allgemeinen Psychopathologie liefert. Zur Frage, wie sich der p-Faktor im Verhalten der Betroffenen manifestieren würde, konnten die Forschenden zeigen, dass Personen mit höherem p-Faktor weniger körperlich aktiv waren, eher zu Hause blieben, später zu Bett gingen und ihr Smartphone seltener aufluden. Daraus ließe sich schlussfolgern, dass viele Verhaltensmarker, die in früheren Studien als spezifisch für eine Erkrankung identifiziert worden waren, tatsächlich nicht spezifisch sind. Des Weiteren konnte durch transdiagnostische Modelle erkannt werden, dass z. B. eine spätere Schlafenszeit ein Indikator für einen abendlichen Chronotyp ist, der mit vielen psychischen Erkrankungen in Verbindung gebracht wird.
Die Forschungsgruppe konnte keine spezifischen Verhaltensmerkmale für Denkstörungen identifizieren. Bisherige Studienergebnisse zur mobilen Sensorik brachten Schizophrenie mit geringer Mobilität in Verbindung, hingegen fanden Ringwald et al. geringe Mobilität als unspezifischen Marker. Als mögliche Erklärung wird angeführt, dass Merkmale von Denkstörungen die Kognition und die Wahrnehmung betreffen und sich eher intern manifestieren. Es gibt passive Sensortechnologien, die fähig sind, interne Zustände zu erfassen, z. B. durch die Erkennung von Sprache aus Text und Audio und daher möglicherweise besser für die Untersuchung geeignet wären.
Limitationen und Stärken der Studie
Diese Querschnittsstudie hat lt. Ringwald et al. mehrere Einschränkungen. Die Anzahl der Verhaltensmarker, welche mittels Smartphone-Sensoren erfasst werden können, ist begrenzt. Des Weiteren waren Rückschlüsse auf die mechanistische Rolle von Verhaltensmarkern aufgrund des Beobachtungsdesigns und der kurzen Studiendauer begrenzt, auch wurden keine App-Nutzungsdaten erfasst. Diese Marker bieten jedoch einen guten Ausgangspunkt für Hypothesen über Mechanismen, die in zukünftigen Arbeiten getestet werden sollten. Die Autorinnen und Autoren führen weiters an, dass die Stichprobe überwiegend aus Frauen bestand, dies könnte die Verallgemeinerbarkeit der Ergebnisse einschränken. Außerdem ist nicht bekannt, inwieweit Verhaltensmarker durch Faktoren beeinflusst werden, die für die Psychopathologie irrelevant sind, z. B. ob die teilnehmenden Personen ihr Telefon in der Tasche oder in der Handtasche aufbewahren, so die Forschenden.
Ringwald et al. heben hervor, dass das Scheitern der Suche nach robusten Verhaltensmarkern oft durch sehr kleine Stichproben begünstigt wird, daher wurde in ihrer Studie die bisher größte klinische Stichprobe für mobile Sensorik untersucht.
Conclusio
In dieser Querschnittsstudie identifizierten Ringwald et al. anhand von Smartphone-Sensordaten Verhaltensmarker für Bereiche, die die meisten wichtigen Formen der Psychopathologie umfassen. Die Forschenden konnten außerdem zeigen, dass Smartphone-Sensoren Marker ermitteln, die Domänen der Dysfunktion unterscheiden. Die Erkenntnisse aus ihrer Studie könnte die Forschung zu den alltäglichen Aufrechterhaltungsmechanismen von Psychopathologien vorantreiben sowie zu einer effektiveren Behandlung führen. Die Forschenden heben hervor, dass wichtige Formen der Psychopathologie mit Smartphone- Sensoren erkennbar sind, sodass diese Technologie potenziell für die Symptomüberwachung eingesetzt werden könnte.
Originalpublikation: Ringwald WR, King G, Vize CE, Wright AGC. Passive Smartphone Sensors for Detecting Psychopathology. JAMA Netw Open 2025; 8: e2519047. doi: 10.1001/jamanetworkopen.2025.19047.
Autorin: Dr. med. Charlotte Gröschel, PhD
Bilderquelle: © kieferpix – stock.adobe.com; Symbolbild
