Hintergrund: Die zuverlässige Erkennung von Frühwarnzeichen bei Bipolaren Erkrankungen ist für die Prä-vention neuer Krankheitsepisoden von essentieller Bedeutung (Morriss et al., 2007), unterliegt in der Durchführung im klinischen Alltag jedoch verzerrungsbedingt einigen Schwierigkeiten (Kessler et al., 2000; Solhan et al., 2009). Manchen dieser Schwierigkeiten kann mittels ambu-lantem Assessment begegnet werden (Trull & Ebner-Priemer, 2013). Für eine Erkennung und Differenzierung affektiver Zustandsbilder mittels kontinuierlicher Erfassung objektiver verhal-tensorientierter Parameter per Smartphone in Echtzeit im Alltag der Patienten existieren einige Hinweise (Abdullah et al, 2016; Beiwinkel et al., 2016; Faurholt-Jepsen et al., 2016b; Grünerbl et al., 2015; Palmius et al., 2017). Hierbei zeigen sich jedoch teils recht heterogene Befunde, möglicherweise mitbedingt durch Studiendesigns mit kurzen Beobachtungszeiträumen, gerin-gen Fallzahlen und seltenen Fremdratings. Durch ein entsprechend längerfristig angelegtes Design mit häufigen Fremdratings versucht die vorliegende Arbeit eine breitere Datengrundla-ge zu schaffen.
Fragestellung: Auf dieser Basis wird die Fragestellung untersucht, welche mittels ambulantem Assessment erhobenen verhaltensorientierten Parameter aus den Bereichen Kommunikation, Bewegung und Aktivität (hypo)manische und depressive Zustandsbilder abbilden und affektive Episoden statistisch vorhersagen können.
Methode: Hierfür wurden bei 29 bipolaren Patienten über jeweils 12 Monate über eine App sowie einen am Handgelenk zu tragenden Bewegungssensor kontinuierlich objektive verhaltensorientierte Parameter aus den Bereichen Kommunikation, Aktivität und Bewegung aufgezeichnet. Zusätz-lich wurden von den Patienten abendliche subjektive Abfragen zu Stimmung, Schlaf und Medi-kation beantwortet. Psychodiagnostische Interviews zur Erhebung aktueller affektiver Symp-tome fanden 14-tägig statt. Hierbei kamen verschiedene dimensionale Ratingskalen zur Ein-schätzung aktueller (hypo)manischer und depressiver Symptomatik zum Einsatz (YMRS, BRMRS und MADRS). Weiterhin wurde mittels der Kriterien des DSM-5 geprüft, inwiefern zum jeweiligen Zeitpunkt die Kriterien für eine manische, hypomane oder depressive Episode erfüllt waren. Der vorliegende, hierarchisch strukturierte Datensatz wurde mittels Mehrebenenanaly-sen untersucht. Zur Vorhersage der dimensionalen Outcomes wurden lineare gemischte Mo-delle gerechnet, für die Vorhersage der kategorialen Outcomes generalisierte lineare gemisch-te Modelle. Die Modellbildung erfolgte in drei Schritten. Zunächst ging jeder der 52 erfassten Parameter als einzelner Prädiktor in ein Multilevelmodell ein. In einem zweiten Schritt wurden, zusammengefasst nach den übergeordneten inhaltlichen Konstrukten, nur Prädiktoren mit aus-reichenden Signifikanzen aus dem ersten Schritt in die Modelle aufgenommen. Für die Bildung des Gesamtmodells wurde anhand der im vorhergehenden Schritt potentesten Prädiktoren schrittweise diejenige Variablenkombination ermittelt, welche die jeweilige Outcomevariable am besten statistisch vorhersagen konnte. Dieses Vorgehen wurde für alle Outcomevariablen praktiziert.
Ergebnisse: Es liegen zahlreiche signifikante Effekte einiger der erfassten Parameter für die Prädiktion der Manie- und Depressionsskalenwerte sowie für die Prädiktion affektiver Phasen vor. Zusam-mengefasst scheint die Anzahl schlaflos verbrachter Stunden gut geeignet zu sein, sowohl manische (weniger schlaflose Stunden) als auch depressive Symptomatik (mehr schlaflose Stunden) vorherzusagen. Hinsichtlich sozialer Kommunikation kann die Anzahl eingehender Anrufe als genereller Marker für das Vorliegen affektiver Symptomatik angesehen werden. Weiterhin scheint eine erhöhte Häufigkeit, mit der sich eine Person zu Fuß fortbewegt, (hy-po)manische Symptomatik gut vorhersagen zu können. Je mehr respektive weniger Aktivität der Aktigraph verzeichnet, umso wahrscheinlicher liegt vermehrt (hypo)manische respektive depressive Symptomatik vor.
Schlussfolgerungen: Die Vielzahl an teils auch fragmentarischen und heterogenen Befunden durch gewisse inhaltli-che Überlappungen der verschiedenen Outcomevariablen sowie durch Überschneidungen auf Prädiktorseite sollte kritisch betrachtet werden. Ein alternativer Ansatz für die Entwicklung glo-balerer und generalisierbarer Modelle zur Vorhersage von Manie und Depressivität durch Ver-wendung latenter Variablen auf Kriteriums- wie auch auf Prädiktorseite wird diskutiert. Grund-sätzlich lassen die hier beschriebenen Ergebnisse darauf schließen, dass diverse, über eine Smartphone-App erfasste Verhaltensparameter im Zusammenhang mit affektiver Symptomatik bipolarer Störungen stehen. Nach weiteren, sorgfältigen Effektivitätsprüfungen im Rahmen von Interventionsstudien könnten demnach die hier beschriebenen Parameter in eine technisch gesteuerte beziehungsweise unterstützte Frühwarnzeichenerkennung für die Vorhersage und nachfolgende Abschwächung oder Abwendung depressiver und manischer Episoden Eingang finden.:TABELLENVERZEICHNIS
ABBILDUNGSVERZEICHNIS
ABKÜRZUNGSVERZEICHNIS
1 EINLEITUNG
2 THEORETISCHER HINTERGRUND
2.1. Bipolare Erkrankungen
2.2. Ambulantes Assessment
2.3. Aktuelle Forschungslage zu ambulantem Assessment bei Bipolaren Erkrankungen
2.4. Inhaltliche Hypothesen
3 METHODE
3.1. Stichprobe
3.2. Ablauf
3.3. Datenquellen
3.3.1. MovisensXS-App
3.3.2. Beschleunigungssensor
3.3.3. Selbstbeobachtung
3.3.4. Fremdrating des aktuellen psychopathologischen Status
3.4. Management, Speicherung und Parametrisierung der Daten
3.5. Statistische Hypothesen
3.6. Statistische Auswertung
3.6.1. Deskriptive Datenanalyse
3.6.2. Dimensionale Fremd- und Selbstratings
3.6.3. Kategoriale Fremdratings
4 ERGEBNISSE
4.1. Rekrutierung und Vollständigkeit der erhobenen Daten
4.2. Explorative Datenanalyse der within-zentrierten Prädiktorvariablen
4.3. Explorative Datenanalyse der within-zentrierten Outcomevariablen
4.4. Statistische Vorhersage dimensionaler Fremdratings durch smartphonebasierte
Parameter
4.4.1. Statistische Vorhersage der YMRS-Werte durch smartphonebasierte
Parameter
4.4.1.1. Einzelmodelle: statistische Vorhersage der YMRS-Werte durch Einzelparameter
4.4.1.2. Aggregation: statistische Vorhersage der YMRS-Werte durch
Bildung von sechs Modellen für die einzelnen Konstrukte
4.4.1.3. Gesamtmodell: statistische Vorhersage der YMRS-Werte durch
Aggregation der Prädiktoren aus den Konstruktmodellen
4.4.2. Statistische Vorhersage der BRMRS-Werte durch smartphonebasierte
Parameter
4.4.2.1. Einzelmodelle: statistische Vorhersage der BRMRS-Werte durch
Einzelparameter
4.4.2.2. Aggregation: statistische Vorhersage der BRMRS-Werte durch
Bildung von sechs Modellen für die einzelnen Konstrukte
4.4.2.3. Gesamtmodell: statistische Vorhersage der BRMRS-Werte durch
Aggregation der Prädiktoren aus den Konstruktmodellen
4.4.3. Statistische Vorhersage der MADRS-Werte durch smartphonebasierte
Parameter
4.4.3.1. Einzelmodelle: statistische Vorhersage der MADRS-Werte durch
Einzelparameter
4.4.3.2. Aggregation: statistische Vorhersage der MADRS-Werte durch
Bildung von sechs Modellen für die einzelnen Konstrukte
4.4.3.3. Gesamtmodell: statistische Vorhersage der MADRS-Werte durch
Aggregation der Prädiktoren aus den Konstruktmodellen
4.5. statistische Vorhersage dimensionaler Selbstratings der Stimmung durch
smartphonebasierte Parameter
4.5.1. Einzelmodelle: statistische Vorhersage der Stimmungs-Werte durch
Einzelparameter
4.5.2. Aggregation: statistische Vorhersage der Stimmungs-Werte durch
Bildung von sechs Modellen für die einzelnen Konstrukte
4.5.3. Gesamtmodell: statistische Vorhersage der Stimmungs-Werte durch
Aggregation der Prädiktoren aus den Konstruktmodellen
4.6. Statistische Vorhersage kategorialer Fremdratings durch smartphonebasierte
Parameter
4.6.1. Statistische Vorhersage des Vorliegens als (hypo)manisch vs. euthym
klassifizierter Tage
4.6.1.1. Einzelmodelle: statistische Vorhersage des Vorliegens als (hypo)
manisch vs. euthym klassifizierter Tage durch Einzelparameter
4.6.1.2. Aggregation: statistische Vorhersage des Vorliegens als (hypo)
manisch vs. euthym klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte
4.6.1.3. Gesamtmodell: statistische Vorhersage des Vorliegens als (hypo)
manisch vs. euthym klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen
4.6.2. Statistische Vorhersage des Vorliegens als depressiv vs. euthym
klassifizierter Tage
4.6.2.1. Einzelmodelle: statistische Vorhersage des Vorliegens als
depressiv vs. euthym klassifizierter Tage durch Einzelparameter
4.6.2.2. Aggregation: statistische Vorhersage des Vorliegens als
depressiv vs. euthym klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte
4.6.2.3. Gesamtmodell: statistische Vorhersage des Vorliegens als
depressiv vs. euthym klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen
4.6.3. Statistische Vorhersage des Vorliegens als (hypo)manisch vs.
depressiv klassifizierter Tage
4.6.3.1. Einzelmodelle: statistische Vorhersage des Vorliegens als (hypo)
manisch vs. depressiv klassifizierter Tage durch Einzelparameter.....
4.6.3.2. Aggregation: statistische Vorhersage des Vorliegens als (hypo)
manisch vs. depressiv klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte
4.6.3.3. Gesamtmodell: statistische Vorhersage des Vorliegens als (hypo)
manisch vs. depressiv klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen
5 DISKUSSION
5.1. Stärken und Limitationen des Studiendesigns
5.2. Vorhersage der Outcomevariablen durch Kommunikationsparameter
5.3. Vorhersage der Outcomevariablen durch Bewegungsparameter
5.4. Vorhersage der Outcomevariablen durch allgemeine Aktivitäts- und
Schlafparameter
5.5. Ausblick
6 ZUSAMMENFASSUNG
6.1 Zusammenfassung
6.2 Summary
7 LITERATURVERZEICHNIS
8 ANHANGSVERZEICHNIS
9 ANHANG
ERKLÄRUNGEN / Background: The reliable detection of early warning signs for bipolar disorders is essential for the prevention of new illness episodes (Morriss et al., 2007), but is subject to challenges in everyday clinical practice (Kessler et al., 2000; Solhan et al., 2009). Some of these challenges can be overcome by ambulatory assessment (Trull & Ebner-Priemer, 2013). Evidence of positive indicators for the detection and differentiation of affective states by means of continuous real-time monitoring of objective behavioural parameters via smartphone in patients’ daily lives has already been reported (Abdullah et al, 2016; Beiwinkel et al., 2016; Faurholt-Jepsen et al., 2016b; Grünerbl et al., 2015; Palmius et al., 2017). However, findings have shown to be partially heterogene-ous, possibly due to short observation periods, small sample sizes and an infrequent number of clinical ratings in current study designs. In establishing a suitably long-term design with more frequent clinical ratings, this study attempts to expand the existing database significantly.
Objective: Accordingly, this study investigates the statistical predictability of affective episodes by way of capturing behavioral parameters in the fields of communication, movement and activity, as-sessed via ambulatory assessment.
Methods: For this purpose, 29 bipolar patients were continuously monitored with an app and a wrist-worn actigraph for 12 months each. The objective parameters recorded were communication, activi-ty and movement. In addition, patients answered subjective questions on mood, sleep and medication every evening. Psychodiagnostic interviews to assess current affective symptoms were conducted every 14 days. Various dimensional rating scales were used to assess current (hypo)manic and depressive symptoms (YMRS, BRMRS and MADRS). Furthermore, the DSM-5 criteria were used to assess to which extent the criteria for a manic, hypomanic or de-pressive episode were met at the time. The hierarchically structured data set was examined using multilevel analysis. Linear mixed models were used to predict the dimensional outcomes and generalized linear mixed models were used to predict the categorical outcomes. The mod-elling was performed in three steps. First, each of the 52 recorded parameters was included as a single predictor in a multilevel model. In a second step, only those predictors which were significant parameters in the first step, were included in the models, representing content-related higher-level constructs of communication, sleep and activity. Thirdly, a combination of variables was identified for the overall model that could best statistically predict the respective outcome variable on the basis of the most promising variables of step two. This procedure was carried out for all outcome variables.
Results: We revealed numerous significant parameters for the prediction of mania and depression rat-ings as well as affective episodes. In summary, the number of hours spent sleepless seems to be well suited to predict both manic (less sleepless hours) and depressive symptoms (more sleepless hours). Regarding social communication, the number of incoming calls can be con-sidered as a general marker for the presence of affective symptoms. Furthermore, an in-creased frequency with which a person moves on foot seems to predict (hypo)manic symp-toms well. The more activity is registered by the actigraph, the more likely it is that (hypo)manic symptoms will be present with depressive symptoms being more likely for less activity.
Conclusions: The variety of partly fragmented and heterogeneous findings due to certain overlaps in content of the various outcome variables as well as overlaps regarding the predictors should be con-sidered critically in future studies. We discussed using latent variables for both criteria and predictors as an alternative approach achieving more stable results. Basically, the findings described here suggest that various behavioral parameters assessed via a smartphone app are associated with affective symptoms of bipolar disorders. We propose that after further, careful effectiveness and intervention studies, the parameters described here could be used in a technically controlled or supported detection of early warning signs for the prediction and subsequent attenuation or prevention of depressive and manic episodes.:TABELLENVERZEICHNIS
ABBILDUNGSVERZEICHNIS
ABKÜRZUNGSVERZEICHNIS
1 EINLEITUNG
2 THEORETISCHER HINTERGRUND
2.1. Bipolare Erkrankungen
2.2. Ambulantes Assessment
2.3. Aktuelle Forschungslage zu ambulantem Assessment bei Bipolaren Erkrankungen
2.4. Inhaltliche Hypothesen
3 METHODE
3.1. Stichprobe
3.2. Ablauf
3.3. Datenquellen
3.3.1. MovisensXS-App
3.3.2. Beschleunigungssensor
3.3.3. Selbstbeobachtung
3.3.4. Fremdrating des aktuellen psychopathologischen Status
3.4. Management, Speicherung und Parametrisierung der Daten
3.5. Statistische Hypothesen
3.6. Statistische Auswertung
3.6.1. Deskriptive Datenanalyse
3.6.2. Dimensionale Fremd- und Selbstratings
3.6.3. Kategoriale Fremdratings
4 ERGEBNISSE
4.1. Rekrutierung und Vollständigkeit der erhobenen Daten
4.2. Explorative Datenanalyse der within-zentrierten Prädiktorvariablen
4.3. Explorative Datenanalyse der within-zentrierten Outcomevariablen
4.4. Statistische Vorhersage dimensionaler Fremdratings durch smartphonebasierte
Parameter
4.4.1. Statistische Vorhersage der YMRS-Werte durch smartphonebasierte
Parameter
4.4.1.1. Einzelmodelle: statistische Vorhersage der YMRS-Werte durch Einzelparameter
4.4.1.2. Aggregation: statistische Vorhersage der YMRS-Werte durch
Bildung von sechs Modellen für die einzelnen Konstrukte
4.4.1.3. Gesamtmodell: statistische Vorhersage der YMRS-Werte durch
Aggregation der Prädiktoren aus den Konstruktmodellen
4.4.2. Statistische Vorhersage der BRMRS-Werte durch smartphonebasierte
Parameter
4.4.2.1. Einzelmodelle: statistische Vorhersage der BRMRS-Werte durch
Einzelparameter
4.4.2.2. Aggregation: statistische Vorhersage der BRMRS-Werte durch
Bildung von sechs Modellen für die einzelnen Konstrukte
4.4.2.3. Gesamtmodell: statistische Vorhersage der BRMRS-Werte durch
Aggregation der Prädiktoren aus den Konstruktmodellen
4.4.3. Statistische Vorhersage der MADRS-Werte durch smartphonebasierte
Parameter
4.4.3.1. Einzelmodelle: statistische Vorhersage der MADRS-Werte durch
Einzelparameter
4.4.3.2. Aggregation: statistische Vorhersage der MADRS-Werte durch
Bildung von sechs Modellen für die einzelnen Konstrukte
4.4.3.3. Gesamtmodell: statistische Vorhersage der MADRS-Werte durch
Aggregation der Prädiktoren aus den Konstruktmodellen
4.5. statistische Vorhersage dimensionaler Selbstratings der Stimmung durch
smartphonebasierte Parameter
4.5.1. Einzelmodelle: statistische Vorhersage der Stimmungs-Werte durch
Einzelparameter
4.5.2. Aggregation: statistische Vorhersage der Stimmungs-Werte durch
Bildung von sechs Modellen für die einzelnen Konstrukte
4.5.3. Gesamtmodell: statistische Vorhersage der Stimmungs-Werte durch
Aggregation der Prädiktoren aus den Konstruktmodellen
4.6. Statistische Vorhersage kategorialer Fremdratings durch smartphonebasierte
Parameter
4.6.1. Statistische Vorhersage des Vorliegens als (hypo)manisch vs. euthym
klassifizierter Tage
4.6.1.1. Einzelmodelle: statistische Vorhersage des Vorliegens als (hypo)
manisch vs. euthym klassifizierter Tage durch Einzelparameter
4.6.1.2. Aggregation: statistische Vorhersage des Vorliegens als (hypo)
manisch vs. euthym klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte
4.6.1.3. Gesamtmodell: statistische Vorhersage des Vorliegens als (hypo)
manisch vs. euthym klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen
4.6.2. Statistische Vorhersage des Vorliegens als depressiv vs. euthym
klassifizierter Tage
4.6.2.1. Einzelmodelle: statistische Vorhersage des Vorliegens als
depressiv vs. euthym klassifizierter Tage durch Einzelparameter
4.6.2.2. Aggregation: statistische Vorhersage des Vorliegens als
depressiv vs. euthym klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte
4.6.2.3. Gesamtmodell: statistische Vorhersage des Vorliegens als
depressiv vs. euthym klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen
4.6.3. Statistische Vorhersage des Vorliegens als (hypo)manisch vs.
depressiv klassifizierter Tage
4.6.3.1. Einzelmodelle: statistische Vorhersage des Vorliegens als (hypo)
manisch vs. depressiv klassifizierter Tage durch Einzelparameter.....
4.6.3.2. Aggregation: statistische Vorhersage des Vorliegens als (hypo)
manisch vs. depressiv klassifizierter Tage durch Bildung von sechs Modellen für die einzelnen Konstrukte
4.6.3.3. Gesamtmodell: statistische Vorhersage des Vorliegens als (hypo)
manisch vs. depressiv klassifizierter Tage durch Aggregation der Prädiktoren aus den Konstruktmodellen
5 DISKUSSION
5.1. Stärken und Limitationen des Studiendesigns
5.2. Vorhersage der Outcomevariablen durch Kommunikationsparameter
5.3. Vorhersage der Outcomevariablen durch Bewegungsparameter
5.4. Vorhersage der Outcomevariablen durch allgemeine Aktivitäts- und
Schlafparameter
5.5. Ausblick
6 ZUSAMMENFASSUNG
6.1 Zusammenfassung
6.2 Summary
7 LITERATURVERZEICHNIS
8 ANHANGSVERZEICHNIS
9 ANHANG
ERKLÄRUNGEN
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:72384 |
| Date | 07 October 2020 |
| Creators | Mühlbauer, Esther |
| Contributors | Bauer, Michael, Ebner-Priemer, Ulrich, Technische Universität Dresden |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | info:eu-repo/semantics/publishedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 10.1007/s00115-019-00816-9 |
Page generated in 0.0044 seconds