Ein Reinforcement-Learning-Modell soll bei therapieresistenter Depression helfen, die repetitive transkranielle Magnetstimulation von Sitzung zu Sitzung individuell anzupassen. Grundlage sind Routinedaten von 1.609 Erwachsenen aus 19 Klinikgruppen. Noch handelt es sich allerdings um eine retrospektive Auswertung – nicht um eine prospektiv getestete KI-Steuerung.
Die repetitive transkranielle Magnetstimulation, kurz rTMS, ist eine etablierte Behandlungsoption bei therapieresistenter Depression. In der Praxis müssen Behandlungsteams jedoch mehrere Parameter festlegen: etwa Stimulationsverfahren, Intensität und Lateralisierung. Forschende um Mass General Brigham und die Harvard Medical School haben nun untersucht, ob Reinforcement Learning solche Entscheidungen künftig stärker personalisieren könnte. Für die Analyse nutzte das Forschungsteam elektronische Gesundheitsdaten von 1.609 Erwachsenen, die zwischen Januar 2023 und Juni 2025 mit rTMS behandelt worden waren. Die Daten stammten aus 19 Klinikgruppen. Das Reinforcement-Learning-Modell sollte aus bereits dokumentierten Behandlungsverläufen lernen, welche Kombinationen aus Stimulationsart, Intensität und Lateralisierung mit einer stärkeren Verbesserung der depressiven Symptome bis zur jeweils nächsten Sitzung verbunden waren. Als Maß für den Verlauf diente der Patient Health Questionnaire-9, kurz PHQ-9.
Größere Verbesserung bei übereinstimmender Empfehlung
Zur Prüfung der Übertragbarkeit wurden 370 Patientinnen und Patienten aus zuvor nicht für das Training verwendeten Kliniken separat ausgewertet. Wenn die tatsächlich durchgeführte Behandlung mit der Empfehlung des Algorithmus übereinstimmte, verbesserte sich der PHQ-9-Wert bis zur nächsten Sitzung im Mittel um 0,788 Punkte stärker als bei Behandlungen, die von der Empfehlung abwichen. Das 95-Prozent-Konfidenzintervall lag zwischen 0,634 und 0,940 Punkten. In einer Modellrechnung schätzten die Forschenden zudem, dass eine konsequente Umsetzung aller algorithmischen Empfehlungen über den gesamten Behandlungsverlauf mit einer zusätzlichen Verbesserung von 3,22 PHQ-9-Punkten verbunden sein könnte.
Reinforcement Learning statt fester Therapieplanung
Reinforcement Learning unterscheidet sich von klassischen Vorhersagemodellen dadurch, dass nicht nur ein einzelnes Ergebnis prognostiziert wird. Stattdessen soll ein Algorithmus lernen, welche Entscheidung in einer bestimmten Situation langfristig den größten Nutzen verspricht. Für die rTMS bedeutet das: Ein zukünftiges System könnte theoretisch nach jeder Sitzung berücksichtigen, wie sich die Symptome verändert haben, und daraus eine Empfehlung für die nächste Behandlung ableiten. Der Ansatz wäre damit dynamischer als ein zu Beginn festgelegtes Stimulationsprotokoll. Die Ergebnisse dürfen allerdings nicht mit einer klinischen Wirksamkeitsstudie gleichgesetzt werden. Das Modell wurde retrospektiv auf bereits vorhandene Behandlungsdaten angewendet. Die Patientinnen und Patienten wurden also nicht zufällig einer KI-gesteuerten oder einer herkömmlich gesteuerten Behandlung zugeteilt. Deshalb lässt sich aus der beobachteten Übereinstimmung nicht sicher ableiten, dass die vom Algorithmus vorgeschlagenen Entscheidungen tatsächlich die Ursache für die stärkere Symptomverbesserung waren. Auch die zusätzlich berechneten 3,22 PHQ-9-Punkte beruhen auf einer modellierten Projektion und nicht auf einem prospektiv beobachteten Therapieeffekt. Der nächste entscheidende Schritt wären daher klinische Studien, in denen die algorithmischen Empfehlungen tatsächlich während der Behandlung eingesetzt und mit etablierten Vorgehensweisen verglichen werden.
