Aus der englischen Studie Evaluating the Development and Impact of Early Intervention Services (EDEN) wurden die klinische Basisdaten von 1.027 Patienten mit Erstpsychose verwendet. Auf sie angewendet wurde ein maschinelles Lernen unter Verwendung einer Lave one site out crossvalidation (LOSOCV). Die Vorhersagemodelle umfassten vier binär unterteilte Parameter: Symptomremission nach PANSS, soziale Erholung nach dem GAF, berufliche Integration und Lebensqualität nach dem EQ5D3L.
Robuste Prognosen
Die Vorhersagemodelle umfassten jeweils 30 bis 44, insgesamt 163 demographische und klinische Variablen. Sie ergaben für alle vier Parameter robuste und signifikante (je p < 0,0001) Einjahres-Ergebnisse: Symptomremission (Area under the receiver operating characteristic curve [AUC]: 0,703), soziale Recovery (AUC: 0,731), berufliche Integration (AUC: 0,736) und Lebensqualität (AUC: 0,704). Die besten Prädiktor-Variablen waren u. a. Halluzinationen nach PANNS, Funktionsniveau nach GAF, Beschäftigungsstatus, Angst und Depression. Männliches Geschlecht spielte kaum eine Rolle. Gegenüber herkömmlichen klinisch basierten Prognosen wurde die Prognosesicherheit durch das maschinelle Lernen um 31 % bis 37 % erhöht.
Dieses Prädiktorenmodell wurde extern anhand der Datensätze aus zwei schottischen Längsschnitt-Kohortenstudien (n = 162) und aus der Frühinterventionsstudie OPUS (n = 578) mit überzeugend ähnlichen Ergebnissen validiert – Ausnahme war die Prognose der Lebensqualität. JL