In this paper, we explore the benefits of our next-generation annotation and analysis tool NOVA in the domain of psychotherapy. The NOVA tool has been developed, tested and applied in behaviour studies for several years and psychotherapy sessions offer a great way to expand areas of application into a challenging yet promising field. In such scenarios, interactions with patients are often rated by questionnaires and the therapist's subjective rating, yet a qualitative analysis of the patient's non-verbal behaviours can only be performed in a limited way as this is very expensive and time-consuming. A main aspect of NOVA is the possibility of applying semi-supervised active learning where Machine Learning techniques are already used during the annotation process by giving the possibility to pre-label data automatically. Furthermore, NOVA provides therapists with a confidence value of the automatically predicted annotations. This way, also non-ML experts get to understand whether they can trust their ML models for the problem at hand.

Zusammenfassung. Theoretischer Hintergrund: Der Diskurs um eine evidenz-basierte und personalisierte (bzw. „Precision“) Medizin sowie zur Umsetzung von Evaluation und Qualitätssicherung hat in den letzten Jahren auch Einfluss auf die Psychotherapieforschung genommen. Dies gilt in Bezug auf die patientenspezifische Auswahl von Behandlungen (u. a. personalisierte Vorhersagen) als auch für die dynamische Anpassung von Interventionen im Therapieverlauf (adaptive Indikation, Feedback, Problemlösetools). Fragestellung und Methode: Im Bereich der differentiellen Indikation sind mittlerweile unterschiedliche Algorithmen („machine learning“) und Netzwerkmodelle zur Vorhersage erprobt worden. Für eine empirisch gestützte adaptive Indikation bilden insbesondere die Studien zum psychometrischen Feedback sowie die Entwicklung von Problemlösetools für Risikopatient_innen die Grundlage. Ergebnisse: Diese Grundlagenforschung war die Basis für die Entwicklung eines Entscheidungssystems (Trierer Therapie Navigator, TTN) zur Vorhersage der optimalen Behandlungsstrategie und des Abbruchrisikos. Darüber hinaus enthält der TTN ein adaptives Modellierungselement des Behandlungsverlaufs. Es können damit Risikopatienten für einen Behandlungsmisserfolg identifiziert und Behandlungsoptimierungen über Problemlösetools unterstützt werden. Schlussfolgerungen: In vorliegender Arbeit werden zentrale neue Ansätze einer evidenz-basierten und personalisierten Psychotherapie zusammenfassend dargestellt sowie die Anwendung in der klinischen Praxis diskutiert.

Aus den Diskussionen der letzten Jahre zu den Psychotherapierichtlinien, der Reform der Psychotherapieaus- und -weiterbildung sowie zu evaluativen und qualitätssichernden Maßnahmen in der Praxis ergab sich bereits der positive Effekt einer stärkeren Beteiligung vieler Psychotherapeutinnen und Psychotherapeuten an praxisbezogenen Forschungs- und Evaluationsbemühungen 1. Das in Großbritannien im gesamten Gesundheitssystem eingesetzte Konzept des Improving Access to Psychological Therapies (IAPT) 2 3 als Orientierung nehmend haben z. B. die Hochschul- und Ausbildungsambulanzen für Psychotherapie eine gemeinsame Datenerhebungs- und Auswertungsplattform (KODAP) zur koordinierten Evaluation der Psychotherapie sowie zur Schaffung einer deutschlandweiten Forschungsdatenplattform für Klinische Psychologie und Psychotherapie initiiert (z. B. 4). Ähnliche Überlegungen zur Umsetzung und zum Einsatz zu routinemäßigen Erhebungen gibt es bei weiteren Psychotherapieverbänden (z. B. DGVT) und Organisationen (z. B. DKPM), wenn auch mit unterschiedlich intensiven Implementationsbemühungen 5 6 7.

Technische Fortschritte in den letzten 20 Jahren eröffnen neue Chancen in Bezug auf umfangreiche Datenerhebungen und neue Interventionsformen im Gesundheitsbereich, im Speziellen in der Psychotherapie. Computergestützte Ansätze werden unter dem Begriff E-Mental-Health zusammengefasst und können auf dem Weg für eine evidenzbasierte Personalisierung in der ambulanten Face-to-Face Psychotherapie unterstützen (Precision Mental Health). Diese auch unter dem Begriff “blended mental health” bekannt gewordene Variante einer empirisch gestützten Personalisierung kann sowohl die Planung der Behandlung zu Therapiebeginn, als auch die Anpassung im Behandlungsverlauf [eProzessdiagnostik] beinhalten. Exemplarisch wird eine mögliche Umsetzung der Personalisierung in der klinischen Praxis anhand des Trierer Therapie Navigators (TTN) aufgezeigt sowie die zugrundeliegenden Forschungskonzepte dargestellt. Im TTN werden datengestützte Anpassungen im Behandlungsverlauf durch eProzessdiagnostik, Feedback und Unterstützungshilfen in fünf klinischen Therapiefeldern (1. Krisenmanagement/Suizidalität; 2. Motivation/Therapieziele; 3. Therapiebeziehung/Interpersonale Fähigkeiten; 4. Soziale Unterstützung/Kritische Lebensereignisse; 5. Emotions- und Selbstregulation) ermöglicht. Insbesondere bei Patientinnen und Patienten mit einem erhöhten Risiko für einen ungünstigen Verlauf oder Therapieabbruch (Dropout) ist eine solche Feedback-gestützte Therapie hilfreich. Abschließend werden Perspektiven zur Weiterentwicklung, z.B. Nutzung zusätzlicher Datenquellen, und zur Umsetzung in der klinischen Aus- und Weiterbildung diskutiert.