Maschinelles Lernen zur Prognose des Behandlungserfolges in der stationären psychosomatischen Rehabilitation – Maschinelles Lernen im Kontext der psychosomatischen Rehabilitation
Die Rehabilitation · 2026-08-01 · 65 (04) · 207-215
DOI: 10.1055/a-2822-5523 ↗Abstract
Zusammenfassung Ziele der Studie Auf Patient*innencharakteristika beruhende Prognosemodelle von individuellen psychosomatischen Rehabilitationserfolgen könnten dazu beitragen, potenzielle Non-Responder zu identifizieren und die Passung zwischen Patient*innen und Behandlung zu optimieren. Die vorliegende Studie untersucht erstmalig das diesbezügliche Potenzial von maschinellem Lernen. Hierfür werden Random Forest-Modelle zur Prognose von Behandlungserfolg hinsichtlich der Dimensionen Symptomschwere, gesundheitsbezogene Lebensqualität, interpersonelle Beziehungsgestaltung und Selbstwirksamkeit trainiert sowie die Wichtigkeit der aufgenommenen Prädiktoren analysiert. Da Random Forest neben der Aufnahme von Skalenwerten auch die Aufnahme von Einzelitems als eigenständige Prädiktoren erlaubt, konnten in der vorliegenden Studie aus 16 Selbstbeurteilungsinstrumenten sowie 11 Personenmerkmale p=555 potenzielle Prädiktoren genutzt werden. Methodik Es handelt sich um eine Sekundärdatenanalyse eines im naturalistischen Eingruppen-Prä-Post-Designs erhobenen Datensatzes. Für jede Dimension wurde ein Random Forest-Modell mittels verschachtelter Kreuzvalidierung erstellt. In der äußeren Kreuzvalidierung wurde das finale Modell validiert sowie die aufgenommenen Prädiktoren hinsichtlich der jeweiligen Permutationswichtigkeit analysiert. Ergebnisse Je nach Dimension konnten zwischen 30,02% und 38,94% der Varianz des individuellen Behandlungserfolges erklären werden. In der äußeren Kreuzvalidierung konnten zwischen 29,33% und 37,83% der Varianz erklärt werden. Über alle Dimensionen hinweg wurden 45 Prädiktoren – davon 17 Skalenwerte und 28 Einzelitems – aufgenommen. Lediglich zwei Prädiktoren waren für alle Dimensionen relevant. Schlussfolgerung Mittels Random Forest-Modellen konnten für alle untersuchten Dimensionen individuellen Behandlungserfolges hohe Varianzanteile erklärt werden. In der Kreuzvalidierung konnten diese bestätigt werden, was auf die Generalisierbarkeit der Ergebnisse hindeutet. Die Analyse der relevanten Prädiktoren erbringt zusätzliche Evidenz für bereits bekannte Prädiktoren wie Rentenbegehren und verdeutlicht gleichzeitig die Notwendigkeit einer differenzierten Betrachtung von psychosomatischen Rehabilitationserfolgen. Eine praktische Implementierung von personalisierten Behandlungen im Sinne der personalisierten Medizin scheint jedoch in Folge zahlreicher Limitationen zeitnah nicht umsetzbar.
EUVIMED