Inhalt und Ziel des Forschungsprojekts
Eine Alkoholkonsumstörung kann Patient*innen ein Leben lang begleiten. Die Entwicklung der Symptome vorherzusagen ist schwierig, da der Krankheitsverlauf individuell stark variiert und von einer Vielzahl von Faktoren abhängig ist. Umfassende statistische Modelle, welche diese Faktoren integrieren und individuelle Vorhersagen ermöglichen sind kaum vorhanden.
Auf maschinellem Lernen basierende Modelle ermöglichen es, eine Vielzahl von Faktoren zu berücksichtigen und diese in einen Zusammenhang zu stellen, um darauf aufbauend individualisierte Prognosen abzuleiten. Um dies zu ermöglichen, sollen im ersten Teil des Projektes maschinelle Lernmodelle entwickelt werden, dich sich auf bereits vorhandene Daten von Patient*innen stützen. Im zweiten Teil des Projektes sollen diese Modelle auf ihre Fähigkeit überprüft werden, präzise und akkurate Vorhersagen in einem klinischen Umfeld zu ermöglichen.
Wissenschaftlicher und gesellschaftlicher Kontext
Damit eine evidenzbasierte Behandlungsplanung einer Alkoholkonsumstörung möglich ist, sind akkurate Prognosen über den Verlauf der Symptome entscheidend. Die in diesem Projekt geplanten maschinellen Lernmodelle ermöglichen verbesserte Prognosen und sollen künftig dazu beitragen, das Rückfallrisiko nach einer Behandlung einzuschätzen. Dies soll es Betroffenen, ihrem Umfeld und dem behandelnden Fachpersonal ermöglichen, die Folgen einer Alkoholkonsumstörung durch eine angepasste Behandlung zu minimieren.
Efficient clinical practice requires tools that can accurately predict post-treatment symptom trajectories, thereby helping patients and clinicians make informed decisions regarding the type, intensity, and treatment duration. Despite a large body of research (Adamson et al., 2009) on associations between specific predictors and post-treatment outcomes in alcohol use disorder (AUD), these inference statistic-based models lack the ability to provide adequate predictions for individual patients. The recent integration of machine learning (ML) algorithms in the clinical research domain has demonstrated the efficiency and reliability of ML-based models for various applications, such as research in AUD populations (Mak et al., 2019). However, it remains to be investigated how ML algorithms can be used to improve individual, post-treatment outcome prediction for patients with AUD. The proposed project aims to address this clinically relevant gap through two phases: (i) Develop and train ML algorithms to generate valid and reliable post-treatment outcome prediction models for AUD patients’ drinking behavior. Secondary analysis of longitudinal data from 745 patients with AUD will be used to develop these computational models. (ii) Validate the developed ML models' clinical applicability on a newly collected, independent sample of patients with AUD (N = 250). The proposed project will provide much-needed prognostic models to improve AUD patient care in favor of informed, evidence-based, and individualized treatment planning in clinical settings. This research will further generate insights into identifying critical predictors of post-treatment outcomes using data-driven approaches and provide valuable insights into clinical applications of predictive computational tools across mental disorders in general.
Last updated:15.12.2022
