What’s up? Lassen sich mithilfe von WhatsApp- und Smartphone-Meta-Daten Depressionen bei Kindern und Jugendlichen frühzeitig erkennen? Ein eHealth-Projekt.[Bearbeiten]

Projektbeschreibung[Bearbeiten]

Depressive Störungen gehören zu den schwersten und häufigsten psychischen Erkrankungen im Kindes- und Jugendalter. Diese sogenannte early-onset-Depression betrifft am Ende der Adoleszenz circa 6% aller Jugendlichen und ist assoziert mit einem hohen Rückfallrisiko, chronischen Verlauf und einer hohen Mortalität (Suizid ist die zweithäufigste Todesursache in dieser Altersgruppe). Der Bedeutung der Erkrankung steht eine unzureichende Versorgung, vor allem im ländlichen Raum, gegenüber: Laut der KiGGS-Studie 2017 haben circa 50% der betroffenen Kinder und Jugendliche in Deutschland keinen Zugang zu einer angemessenen psychotherapeutischen bzw. psychiatrischen Behandlung. Erschwerend kommt hinzu, dass die Depression in dieser Altersgruppe schwer zu erkennen ist, sodass eine Behandlung oftmals (zu) spät erfolgt. Eine Lösung für dieses Problem ist die Früherkennung depressiver Rückfälle durch die präzise Beobachtung und Analyse des Alltagsverhaltens von Kindern und Jugendlichen nach einer ersten depressiven Episode. Ein kontinuierlichen Prä-Post-Vergleich objektiver Depressionsmarker wie Sprachgebrauch in Chats und Smartphone-Nutzungsverhalten ermöglicht den Depressionsstatus valide abzubilden. Dieser Depressionsstatus kann sodann genutzt werden, um frühzeitig anti-depressive Interventionen einzuleiten.

Die Studie soll mögliche objektive Depressionsmarker im Alltagsverhalten von Kindern und Jugendlichen identifizieren. Dazu werden die Kommunikationsmuster in WhatsApp und Smartphone-Meta-Daten im Alltag von insgesamt 40 Jugendliche (je 20 klinisch depressiv und gesunde Probanden) einen Zeitraum von einer Woche erhoben und ausgewertet. Neben diesem Ambulatorischem Assessment werden klinisch- und testpsychologische Verfahren im Labor durchgeführt, um die Stichprobe zu charakterisieren. Die Erkenntnisse dienen dem Bau eines Algorithmus zur Früherkennung depressiver Episoden bei Kindern und Jugendlichen. Dieser soll in einer nachfolgenden Studie mit einer großen Stichprobe validiert werden und die Grundlage für ein automatisiertes Frühwarnsystem bilden.

Autor/in[Bearbeiten]

Name: Stefan Lüttke
Institution: Universität Tübingen
Kontakt: stefan.luettke@uni-tuebingen.de