Gesundheits-Apps kommen zunehmend unterstützend bei körperlichen und psychischen Erkrankungen zum Einsatz. Doch die Wirkung solcher Apps unterscheidet sich laut Studien von Person zu Person. Und auch bei ein und demselben Menschen wirken die Interventionen je nach Situation einmal mehr und einmal weniger.

Ein Forschungsteam unter Leitung der Universität Basel hat nun untersucht, wie maschinelles Lernen den Effekt von Gesundheits-Apps präziser vorherzusagen vermag. Die Gruppe unter Beteiligung der klinischen Psychologen Marion Tegethoff und Gunther Meinlschmidt nutzten dafür Daten von 324 smartphone-basierten Interventionen zur Stimmungsregulation. Apps, die bei Depressionen die Stimmung verbessern sollen. 

Das Resultat: Während es im untersuchten Fall bei etwa sechs von zehn Anwendungen zu keiner Verbesserung der Stimmung kam, waren dies in den durch maschinelles Lernen als erfolgreich vorhergesagten Anwendungen nur noch etwa drei von zehn. Fazit: Die Anzahl erfolgloser Nutzungen konnte durch das Verfahren halbiert werden.

«Wir wissen, dass viele Patientinnen und Patienten digitale Interventionen nach anfänglicher Nutzung schnell wieder weglegen», sagt Meinlschmidt. Wenn eine App nur jedes zweite oder dritte Mal wirke, verlören die Menschen bald die Lust, und sie sähen wenig Sinn in ihrer Anwendung, so der Studienautor und klinische Psychologe. Das neue Verfahren habe das Potenzial, dass Patienten smartphone-basierte Interventionen längerfristig nutzen.

Die vom Schweizerischen Nationalfonds (SNF) geförderte Studie liefere wichtige Hinweise, wie digitale Interventionen in Zukunft besser auf das Individuum zugeschnitten werden könnten – im Sinne einer personalisierten Therapie. Dabei wären laut den Wissenschaftlern Anwendungen auch in vielen anderen Feldern denkbar, in denen mobile Apps zum Einsatz kommen.

Die Stärke der Analyse liege darin, dass die Forschenden dem System relevante Merkmale – wie zum Beispiel Müdigkeit oder Unruhe – zuteilen können. Die sogenannte «Random-Forest»-Methode kombiniere diese Merkmale vielfältig miteinander und erlaube Vorhersagen, die der Komplexität im realen Leben besser entsprächen als traditionelle Vorhersagemethoden.