Subprojekt 6

Digitale Phänotypisierung von Emotions(dys-)regulation als transdiagnostischer Prozess und Proxy für klinische und neurobiologische Marker des Nicht-Ansprechens auf Psychotherapie

Emotionsregulation (ER)-basierte Prädiktoren für das Nichtansprechen auf eine Psychotherapie (NR) müssen ökologisch valide, sowie leicht und kostengünstig verfügbar sein. Prädiktoren mit diesen Eigenschaften eignen sich für behandlungsrelevante Einzelfallvorhersagen. Die Erhebung von neuronalen und psychophysiologischen Prädiktoren im Laborkontext ist zeitaufwendig und außerhalb von Forschungskontexten schwer umzusetzen. Die klinische Praxis benötigt Proxys, die den prädiktiven Wert von neuronalen NR-Signaturen und von mit internalisierenden Störungen assoziierten ER-(Dys-)Funktionen nutzbar machen, indem sie mit minimalem Aufwand für Therapeut:innen und Patient:innen erhoben werden können. Eingebettet in die Forschungsgruppe wendet unser Subprojekt die Methode der digitalen Phänotypisierung an, um solche Proxys abzuleiten. Hierzu werden aktiv und passiv gesammelte Daten von persönlichen mobilen Geräten wie Smartphones und Wearables verwendet, auf deren Basis ER-basierte Phänotypen mit unterschiedlichem NR-Risiko abgeleitet werden. Smartphones sind hierfür besonders gut geeignet, denn sie ermöglichen eine niedrigschwellige aktive Erhebung von Stimmung und Kognition im Alltag mittels Ecological Momentary Assessment (EMA, d.h. wiederholten Kurzbefragungen zum Befinden). Zweitens bieten Smartphones eine sensorreiche Infrastruktur für die multimodale Erhebung von objektiven Daten über Verhalten, Physiologie und Stimmung, die passiv durch eingebaute Sensorik und verbundene smarte Geräte (z.B. Fitnessarmbänder) erhoben werden können. Das vorliegende Subprojekt (TP6) nutzt dieses Potenzial und sammelt im Vorfeld einer KVT-Behandlung Sensor- und EMA-Daten mit Fokus auf ER bei n = 468 Patient:innen mit psychischen Störungen aus dem internalisierenden Spektrum (z.B. Patient:innen mit spezifischer Phobie, sozialer Angststörung, Panikstörung, Agoraphobie, generalisierter Angststörung, Zwangsstörung, PTSD, unipolaren depressiven Störungen). In einer Teilstichprobe von n = 350 Personen werden zudem während der gesamten Behandlung Sensor- und EMA-Daten (zwei zusätzliche EMA Messwellen zu T20 und nach zwölf Monaten (Post)) erhoben. Die sensorbasierte Datenerhebung konzentriert sich auf Marker, die entweder 1) regulatorisch sind (z.B. körperliche Aktivität, Smartphone-Nutzung), 2) die Regulationsfähigkeiten direkt beeinflussen (z.B. Schlaf, Herzfrequenzvariabilität) oder 3) als Proxys für regulatorische Bemühungen oder Umweltcharakteristika betrachtet werden können, die ER beeinflussen (z.B. GPS-basierte räumliche Auflösung von Aktivitätsmustern, körperliche Aktivität und Smartphone-Nutzung, erhoben mit Fitness-Armbändern). Im EMA wird ER durch die Dynamik emotionalen Erfahrungen und/oder Muster in der Anwendung von ER-Strategien operationalisiert. Kombiniert mit den Datenmodalitäten der übrigen Subprojekte ergibt sich die Möglichkeit, ein umfassendes, modalitätenübergreifendes Verständnis von ER zur Vorhersage von NR im naturalistischen Kontext zu etablieren.

Mitglieder

Dr. Annette Brose

Assoziierte Wissenschaftlerin

Benjamin Gas

Studentischer Mitarbeiter

Leona Hammelrath, M.Sc.

Wissenschaftliche Mitarbeiterin

Prof. Dr. Christine Knaevelsrud

Principal Investigator

Johanna Suchy

Studentische Mitarbeiterin

Publikationen

2023

Hammelrath L., Heinrich M., Burggraf P., Schenk, H., Knaevelsrud C. (2023, June 05-07). Tell me how I feel! Development of an Algorithm to Predict Depression Symptoms Based on Wearable Data. [Poster presentation]. Society for Ambulatory Assessment, Amsterdam, Netherlands.

2023

Hammelrath, L., Hilbert, K., Heinrich, M., Zagorscak, P. & Knaevelsrud, C. (2023). Select or adjust? How information from early treatment stages boosts the prediction of non-response in internet-based depression treatment. Psychological Medicine, 1–10. https://doi.org/10.1017/s0033291723003537