• EN
  • Anwendungen
    • Energie
      • Distributed Artificial Intelligence
      • Datenintegration und Verarbeitung
      • Energieeffiziente Smart Cities
      • Intelligenz in Energiesystemen
      • Resiliente Überwachung und Steuerung
      • Entwurf und Bewertung standardisierter Systeme
      • Smart Grid Testing
    • Gesellschaft
      • Mixed Reality
      • Human-Centered AI
      • Personal Pervasive Computing
      • Social Computing
    • Gesundheit
      • Datenmanagement und -analyse
      • Automatisierungs- und Integrationstechnik
      • Assistive Technologien für Versorgung und Pflege
      • Biomedizinische Geräte und Systeme
    • Produktion
      • Smart Human Robot Collaboration
      • Manufacturing Operations Management
      • Distributed Computing and Communication
      • Nachhaltige Fertigungssysteme
    • Verkehr: Info
    • Living Labs
      • Modell-Fabrik
      • DAVE
      • LIFE
      • MIRACLE
      • IDEAAL
      • Pflegedienstzentrale
      • SESA
      • Smart City Fliegerhorst
  • Dienstleistungen
    • Auftragsforschung
    • Digitalisierungsberatung
    • Technologieberatung
    • Technologieschulungen
    • Auftragsentwicklung
  • Forschung
    • Applied Artificial Intelligence (AAI)
      • Adversarial Resilience Learning
    • Architecture Frameworks (AF)
    • Cyber-Resilient Architectures and Security (CRAS)
    • Embedded System Design (ESD)
    • Human Machine Cooperation (HMC)
    • Multi-Scale Multi-Rate Simulation (MS²)
    • Sustainability
    • Safety Relevant Cyber Physical Systems (SRCPS)
  • OFFIS
    • Über uns
      • Leitbild, Werte und Compliance
      • Gender Equality Plan
      • Organisation
      • OFFIS-Mitgliedschaften
      • Kooperationspartner
      • Freunde und Förderer
      • OFFIS Re:Connect Alumni Network
      • Spin-offs
      • Historie
      • 3D-Rundgang
    • Karriere
      • Offene Stellen
      • Angebote für Studierende
      • Praktika
    • Aktuelles
      • Veranstaltungen
      • 30 Jahre OFFIS
      • Grußworte zum Jubiläum
    • Blog
    • Veröffentlichungen und Tools
      • Roadmaps und Studien
      • Werkzeuge und Plattformen
      • Datawork | Hauszeitschrift
      • Jahresbericht
    • Publikationen
    • Projekte
    • Personen
    • Kontakt
      • Anfahrt
    • Intranet
  • Website
  • EN
  • Anwendungen
    • Energie
      • Distributed Artificial Intelligence
        • Transparenz und Akzeptanz von Self-X-Systemen
        • Modellierung und agentenbasiertes Management von Flexibilität
        • Open Science – freie und quelloffene wissenschaftliche Ergebnisse
      • Datenintegration und Verarbeitung
      • Energieeffiziente Smart Cities
      • Intelligenz in Energiesystemen
      • Resiliente Überwachung und Steuerung
        • Digitale Zwillinge
        • Trust
        • NextGen Grid Control
        • Grid Control Labor
      • Entwurf und Bewertung standardisierter Systeme
      • Smart Grid Testing
        • Echtzeitsysteme
        • Co-Simulation multimodaler Energiesysteme
        • Flexibility Coordination
        • Virtualisierte Dienste in Smart Grids
        • Ganzheitliche Tests und Validierung
        • Forschungsinfrastruktur
    • Gesellschaft
      • Mixed Reality
      • Human-Centered AI
      • Personal Pervasive Computing
      • Social Computing
        • Studien
    • Gesundheit
      • Datenmanagement und -analyse
        • Versorgungsforschung
        • Informationslogistik
        • Analytische Anwendungen
        • Datenschutz & Datensicherheit
      • Automatisierungs- und Integrationstechnik
      • Assistive Technologien für Versorgung und Pflege
      • Biomedizinische Geräte und Systeme
    • Produktion
      • Smart Human Robot Collaboration
      • Manufacturing Operations Management
      • Distributed Computing and Communication
      • Nachhaltige Fertigungssysteme
    • Verkehr: Info
    • Living Labs
      • Modell-Fabrik
      • DAVE
      • LIFE
      • MIRACLE
      • IDEAAL
      • Pflegedienstzentrale
      • SESA
      • Smart City Fliegerhorst
  • Dienstleistungen
    • Auftragsforschung
    • Digitalisierungsberatung
    • Technologieberatung
    • Technologieschulungen
    • Auftragsentwicklung
  • Forschung
    • Applied Artificial Intelligence (AAI)
      • Adversarial Resilience Learning
    • Architecture Frameworks (AF)
    • Cyber-Resilient Architectures and Security (CRAS)
    • Embedded System Design (ESD)
    • Human Machine Cooperation (HMC)
    • Multi-Scale Multi-Rate Simulation (MS²)
    • Sustainability
    • Safety Relevant Cyber Physical Systems (SRCPS)
  • OFFIS
    • Über uns
      • Leitbild, Werte und Compliance
        • Grundsätze und Leitbild
        • Vielfalt und Chancengleichheit
        • Hinweisgebersystem
      • Gender Equality Plan
      • Organisation
        • Mitglieder OFFIS e.V.
        • Wissenschaftlicher Beirat
        • Verwaltungsrat
      • OFFIS-Mitgliedschaften
      • Kooperationspartner
      • Freunde und Förderer
      • OFFIS Re:Connect Alumni Network
      • Spin-offs
      • Historie
      • 3D-Rundgang
    • Karriere
      • Offene Stellen
        • Informationen zur Bewerbung
      • Angebote für Studierende
        • Bachelor-Master-Studienarbeiten
      • Praktika
    • Aktuelles
      • Veranstaltungen
        • Rückblick
      • 30 Jahre OFFIS
      • Grußworte zum Jubiläum
    • Blog
    • Veröffentlichungen und Tools
      • Roadmaps und Studien
      • Werkzeuge und Plattformen
      • Datawork | Hauszeitschrift
        • Archiv
        • JPEG-Archiv
      • Jahresbericht
        • Archiv
    • Publikationen
    • Projekte
    • Personen
    • Kontakt
      • Anfahrt
    • Intranet
  1. Home
  2. OFFIS
  3. Blog
  4. KI-Ökosysteme für eine bessere Diagnose und Behandlung psychischer Erkrankungen

KI-Ökosysteme für eine bessere Diagnose und Behandlung psychischer Erkrankungen Das heutige Gesundheitsversorgungssystem gewinnt stetig an Komplexität. Immer mehr medizinische Fachbereiche sind an der Diagnostik, den Behandlungen sowie der Nachsorge von Patient*innen beteiligt und die Zahl der verfügbaren Behandlungsmöglichkeiten nimmt rapide zu. Insbesondere bei psychischen Erkrankungen ist das Behandlungsangebot jedoch weiterhin unzureichend. Nicht nur während der Corona-Pandemie, sondern auch bereits in den Jahren zuvor haben psychische Erkrankungen erheblich zugenommen.

In Deutschland zählt die Depression hinsichtlich ihrer Auswirkungen zu den stark unterschätzten psychischen Erkrankungen. So erkranken in Deutschland insgesamt 8,2% aller Erwachsenen im Laufe eines Jahres an einer unipolaren oder anhaltenden depressiven Störung. Hierbei sind etwa jede vierte Frau und jeder achte Mann von einer Depression betroffen. Mit einer geschätzten globalen Lebenszeitprävalenz von 16-20% verursacht die Depression nicht nur unerträgliches individuelles Leiden (laut WHO-Schätzungen ereignen sich >50% aller Suizide vor dem Hintergrund einer Major Depression), sondern auch eine starke gesellschaftliche und wirtschaftliche Belastung. Berücksichtigt man nicht nur die direkten Diagnostik- und Behandlungskosten, sondern auch sekundäre Folgekosten (zum Beispiel Produktivitätsverluste aufgrund von Arbeitsunfähigkeit oder Frühberentung), werden die jährlichen Gesamtkosten der Depression allein in Deutschland auf mindestens 22 Milliarden Euro geschätzt, wobei Produktivitätsverluste hierbei den größten Anteil ausmachen. Daher ist die Behandlung von Depressionen nicht nur wichtig, um individuelles Leiden zu verringern, sondern auch um volkswirtschaftliche Schäden abzuwenden. Hierzu müssen neue, KI-basierte Wege gefunden werden, um die Behandlung für die Betroffenen effizienter zu gestalten und die enormen Gesundheitsausgaben zu reduzieren.

Ziel des Projektes DAIsy ist daher das Erforschen neuartiger, innovativer Therapiesysteme zur Verbesserung diagnostischer, interaktiver und individueller Ansätze für Patient*innen, die unter einer depressiven Erkrankung leiden. Dabei werden zwei Anwendungsfälle verfolgt:

Ansatz 1

Multimodales Neurofeedbacksystem: Ziel dieses ambulanten Therapieverfahrens ist es, neuronale Reaktionen auf standardisierte Testumgebungen über ein multimodales Neurofeedbacksystem zu erfassen und den Patient*innen dieses als Feedback zu präsentieren. Dadurch sollen selbstregulierende Mechanismen des Gehirns aktiviert werden, um dysfunktionalen neuronalen Aktivitätsmustern entgegenzuwirken. Die Merkmalsextraktion aus den aufgenommenen Daten ist eine hochanspruchsvolle Aufgabe, die im Rahmen dieses Projektes mit der Entwicklung von innovativen KI-basierten Algorithmen realisiert werden soll. Zusätzlich soll das EEG-basierte Neurofeedbacksystem um ein fNIRS erweitert werden, um zu prüfen, ob die Fusion der Sensordaten der beiden Systeme zu einer verbesserten Signalqualität für das Neurofeedback führt. EEG-basierte Ansätze zeigen eine gute temporale Auflösung, während fNIRS-basierte Ansätze ihre Vorteile in der lokalen Auflösung haben. Eine Kombination der Systeme könnte zu einer verbesserten Gesamtauflösung führen.

Ansatz 2

Virtueller Therapieassistent: Ziel dieses Ansatzes ist eine kontinuierliche Unterstützung der Patient*innen im Alltag durch eine virtuelle Therapieassistenz. In Form einer digitalen Gesundheitsanwendung sammelt diese Daten zum Erleben und Verhalten der Patient*innen, wie zum Beispiel Stimmungsparameter, Medikamenteneinnahmen, die Nutzung von Social Media, körperliche Aktivität, Vitalparameter oder Nutzungszeiten mobiler Endgeräte. Durch die Anwendung von KI-basierten Verfahren sollen individuelle Verhaltens- und Stimmungsmuster erkannt und situationsadäquate Behandlungsmaßnahmen abgeleitet werden. Durch die bessere und genauere Kenntnis über den Zustand der Patient*innen werden so symptombasierte Neurofeedbackverfahren optimal genutzt und eingestellt werden können. Darüber hinaus wird die Therapieassistenz verschiedene – aus der klassischen Psychotherapie bewährte – Therapieelemente digital aufbereitet und KI-assistiert zur Verfügung stellen.

Beide Ansätze werden ein kontinuierliches Monitoring des psychischen Befindens sowie ein darauf aufbauendes individualisiertes Therapievorgehen ermöglichen, um eine Verschlechterung des Krankheitsbildes frühzeitig zu erkennen und behandeln zu können. Nur durch eine rechtzeitige Intervention lassen sich einerseits Folgen eines sich verschlechternden Krankheitsverlaufs minimieren und andererseits damit korrelierend Therapiekosten senken.

Im deutschen Konsortium des europaweiten ITEA Projekts stellen sich das Universitätsklinikum Bonn, die Materna Information & Communication SE, die BEE Medic GmbH, die Ascora GmbH und OFFIS gemeinsam dieser Herausforderung.

Ansprechpartner*in

Dr.-Ing. Frerk Müller-von Aschwege
Dr.-Ing.
Frerk Müller-von Aschwege

Medien

Zurück zur Übersicht
DatenschutzDatentransparenzKontaktImpressum