DyNOPS

Seit etwas mehr als 10 Jahren wird angenommen, dass psychische Störungen nicht eine latente, unsichtbare Krankheit sind, die Symptome wie depressive Stimmung produziert (so wie eine bakterielle Infektion Symptome wie Fieber und Husten hervorruft), sondern dass erst die wechselseitigen, kausalen Interaktionen zwischen den einzelnen Symptomen der Kern der Störung sind (Borsboom & Cramer, 2013). Das Ganze kann man sich wie ein Netzwerk vorstellen.
In einer laufenden Psychotherapie könnte das bedeuten: Eine Verbesserung eines Symptoms löst – oft mit Verzögerung – Verbesserungen anderer Symptome aus. Wenn bestimmte Symptome als „Pioniere“ der Veränderung fungieren, sollten sie als erste in einer Therapie verändert werden. Aber was sind Pionier-Symptome?
Darüber hinaus ist wenig darüber bekannt, wie persönliche Merkmale (Alter, Geschlecht, Diagnosetyp, Komorbiditäten usw.) das Netzwerk beeinflussen. Das DyNOPS‑Projekt greift genau diese Lücken auf und liefert damit eine fundierte Basis für evidenzbasierte Therapie, die je nach Patient*in die richtigen Interventionen in den Mittelpunkt rückt.

Wir verfolgen drei Leitfragen:

1. Gibt es identifizierbare zeitliche Interaktionen zwischen Symptomen im Therapieverlauf? Diese Interaktion können sowohl innerhalb einer Sitzung, als auch zwischen den Sitzungen auftreten.
2. Sagen bestimmte Interaktionen zukünftige Verbesserungen im Gesamtergebnis voraus? Haben Therapien, die gut verlaufen, dort Gemeinsamkeiten?
3. Wie prägen patient*innen‑spezifische Merkmale die Netzwerk‑Struktur und das Ergebnis?

Das Vorgehen besteht aus drei Schritten:

1. Zuerst die Modellierung durch den Aufbau dynamischer Bayes‑Netzwerke, die die zeitlichen Beziehungen zwischen Symptomen während der Therapie abbilden.
2. Anschließend die Identifikation durch das Aufdecken zentraler Symptome bzw. Knoten im Netzwerk, die als Vorreiter für weitere Symptomveränderungen fungieren oder das Erkennen von Mustern von Interaktionen.
3. Abschließend eine Einflussanalyse, in der untersucht wird, wie demografische und klinische Faktoren (z. B. Geschlecht, Alter, Schweregrad der Störung, Komorbiditäten) das Netzwerk‑Muster und den Therapieerfolg modulieren.

Ein Dynamic Bayesian Network ist ein mathematisches Modell, das beschreibt, wie verschiedene Zustände zusammenhängen und wie sie sich von einem Zeitpunkt zum nächsten verändern.

Die Grundlage ist ein „normales“ Bayesian Network. Man kann sich dabei Zustände als Knotenpunkte eines Netzwerks vorstellen, die Zusammenhänge zwischen den Punkten verbinden diese und werden meist als Pfeile dargestellt. Jeder Knoten steht für eine Zufallsvariable, also etwas, das unterschiedliche Werte annehmen kann, zum Beispiel „Wetter“ (sonnig, regnerisch), „bin ich krank?“ (ja/nein) oder „funktioniert die Maschine?“ (ja/nein), die unterschiedliche Wahrscheinlichkeiten haben aufzutreten. Die Pfeile zeigen, welche Variablen sich gegenseitig beeinflussen. Wenn ein Pfeil von „Wetter“ zu „Regenschirm dabei?“ geht, bedeutet das: Ob man einen Regenschirm dabei hat, hängt unter anderem vom Wetter ab. Welchen Zustand ein Knotenpunkt annimmt, häng sowohl ein bisschen vom Zufall ab, als auch davon, welcher Knotenpunkt mit diesem zusammenhängt.

Bei einem Dynamic Bayesian Network kommt jetzt die Zeit ins Spiel. Statt nur einen einzigen Zeitpunkt zu betrachten, betrachten wir viele aufeinanderfolgende Zeitpunkte. Für jeden Zeitpunkt gibt es im Prinzip ein Bayesian Network, das beschreibt, wie die Variablen zu diesem Zeitpunkt zusammenhängen. Außerdem gibt es Pfeile bzw. Zusammenhänge von Variablen von einem Zeitpunkt zum nächsten. Zum Beispiel könnte es einen Pfeil von „krank heute“ zu „krank am nächsten Tag“ geben. Die zugehörigen Wahrscheinlichkeiten sagen dann so etwas wie: „Wenn ich heute krank bin, ist die Wahrscheinlichkeit, dass ich morgen noch krank bin, größer als wenn ich heute gesund bin.“

Oft nimmt man an, dass sich die „Regeln der Veränderung“ über die Zeit nicht ständig ändern. Das heißt: Die Wahrscheinlichkeiten, wie ein Zustand heute den Zustand morgen beeinflusst, bleiben gleich. Man modelliert also nur ein sogenanntes „Zeitfenster“ von zwei aufeinanderfolgenden Zeitpunkten (zum Beispiel heute und morgen) und kopiert dieses Muster dann für alle weiteren Zeitschritte. So entsteht ein dynamisches Modell, das man beliebig lange in die Zukunft oder Vergangenheit verfolgen kann.