Ein Deep-Learning-Modell, das auf Gehirnscans und kognitiven Tests basiert, könnte dazu beitragen, alkoholgefährdete Feuerwehrleute zu schützen und die Art und Weise zu verändern, wie hochbelastete Berufe mit der psychischen Gesundheit umgehen.

Studie: Vorhersage des Risikos einer Alkoholkonsumstörung bei Feuerwehrleuten mithilfe eines multimodalen Deep-Learning-Modells: eine Querschnittsstudie. Bildnachweis: Tsuguliev/Shutterstock.com

Feuerwehrleute erleiden im Laufe ihres Berufslebens chronische und wiederholte Traumata, wodurch sie einem hohen Risiko einer Alkoholabhängigkeit (Alkoholkonsumstörung, AUD) ausgesetzt sind. Eine aktuelle Studie veröffentlicht in Grenzen in der Psychiatrie untersucht die Verwendung eines multimodalen Deep-Learning-Frameworks zur objektiven Bewertung des AUD-Risikos.

Stress schürt die Sucht

Feuerwehrleute sind ständig Notfällen und Katastrophen ausgesetzt, was zu erheblichen und zunehmenden psychischen Belastungen führt. Die hohen körperlichen Anforderungen und die psychische Belastung ihrer Arbeit machen Feuerwehrleute besonders anfällig für die Entwicklung psychischer Störungen, insbesondere AUD.

Epidemiologische Erkenntnisse zeigen, dass bei Mitarbeitern der öffentlichen Sicherheit im Vergleich zur Allgemeinbevölkerung eine viel höhere Rate an psychischen Gesundheitsuntersuchungen durchgeführt wird. Jeder siebte Mensch wird positiv auf eine oder mehrere psychische Störungen getestet, während ~27 % zwei oder mehr haben.

Hier könnte Ihr Advertorial stehen
Ein Advertorial bietet Unternehmen die Möglichkeit, ihre Botschaft direkt im redaktionellen Umfeld zu platzieren

Alkohol wird häufig als maladaptiver Bewältigungsmechanismus zur Bewältigung von Traumata und Stress eingesetzt. Feuerwehrleute können zur vorübergehenden Linderung auf Alkohol zurückgreifen, da dieser die Übererregung reduzieren, aufdringliche Erinnerungen an traumatische Ereignisse trüben und emotionalen Stress lindern kann. In der Feuerwehrkultur ist das Trinken nach Beendigung des aktiven Dienstes normal, es wird jedoch auch davon abgeraten, Verletzlichkeit zur Schau zu stellen. Dies führt zu einer Situation, in der es sowohl in Ordnung ist, als Feuerwehrmann zu trinken, als auch beschämend, AUD zuzugeben.

Dadurch wird verhindert, dass Feuerwehrleute wegen ihres AUD Hilfe suchen oder es auch nur zugeben, aus Angst, ihre Karriere zu ruinieren. Dennoch stellt AUD ein ernstes Risiko für einzelne Feuerwehrleute und ihre Teams dar und trägt zu gefährlichen Verhaltensweisen wie Fahren unter Alkoholeinfluss, verstärkten Selbstmordgedanken oder -handlungen und einer insgesamt höheren Wahrscheinlichkeit traumatischer Vorfälle bei.

Derzeit basiert das AUD-Screening auf der Selbstauskunft anhand von Fragebögen. Allerdings befürchten die Teilnehmer soziale und berufliche Konsequenzen oder einen Imageverlust, wenn sie zugeben, einen AUD zu haben. Daher sind objektive Screening-Methoden vorzuziehen, und solche, die den Teilnehmer nicht stigmatisieren, sind besonders vorteilhaft. Verhaltens- und biologische Marker wie strukturelle MRT und neuropsychologische Untersuchungen sind vielversprechende Instrumente, die Teil der vorliegenden Studie sind.

Dieses multimodale Modell wurde entwickelt, um anhand biologischer Daten Feuerwehrleute auf ein hohes AUD-Risiko zu untersuchen.

Risiko durch Daten abbilden

Diese südkoreanische Studie analysierte strukturelle MRT-Neurobildgebungsdaten, kombiniert mit standardisierten neuropsychologischen Tests, von einer nationalen Kohorte von 689 aktiven Feuerwehrleuten. Damit handelt es sich um die zweitgrößte Studie von Feuerwehrleuten zur AUD-Vorhersagemodellierung. Das Durchschnittsalter betrug 43 Jahre, wobei die meisten Teilnehmer männlich waren.

Die Feuerwehrleute wurden einer T1-gewichteten strukturellen MRT-Bildgebung unterzogen. Sie absolvierten außerdem den Grooved Pegboard Test zur Beurteilung ihrer visuell-motorischen Koordination und den Trail Making Test zur Beurteilung ihrer exekutiven Funktion. Sie absolvierten den Alcohol Use Disorder Identification Test (AUDIT), der von der Weltgesundheitsorganisation (WHO) entwickelt wurde, um auf Alkoholabhängigkeit und -sucht zu testen.

Die Teilnehmer wurden in Personen mit Alkoholrisiko und Nicht-Alkohol-Risiko eingeteilt, die jeweils 57 % und 43 % ausmachten.

Die Studie nutzte ein neuartiges Modell des maschinellen Lernens, das die synergetischen Vorteile der Erfassung verschiedener Datentypen nutzte. Dazu gehörten:

  • ResNet-50 Faltungs-Neuronale Netze, die Schicht für Schicht morphologische Muster des Gehirns extrahierten
  • Vision Transformer-Module zur Identifizierung einer umfassenden Gehirnanatomie, die verschiedene Teile miteinander in Beziehung setzt
  • Klinische Variablen zur Ableitung eines mehrschichtigen Perzeptrons zur Identifizierung von Mustern in numerischen Daten.

Dieses multimodale System, bekannt als „kooperative Fusion“, integriert klinische und bildgebende Daten, um sie klinisch relevant zu interpretieren. Es kombinierte Gehirnmuster und klinische Variationen durch ihre Interaktionen und ermöglichte so eine genauere Vorhersage des AUD-Risikos.

KI erkennt Frühwarnzeichen

Das multimodale System klassifizierte Feuerwehrleute mit einem AUD-Risiko mit einer Genauigkeit von ca. 80 %. Die Unterscheidungskraft betrug ebenfalls 80 %. Dies entspricht einer Verbesserung der AUD-Vorhersage um 17 Prozentpunkte im Vergleich zu rein klinischer oder reiner Neurobildgebung, jeweils etwa 62 %.

Das synergetische Zusammenspiel dieser verschiedenen Datentypen ist für die erhöhte Genauigkeit verantwortlich und zeigt, dass es sich nicht einfach um die Hinzufügung weiterer Daten handelt. Das Modell erfasste lokalisierte und globale Strukturmuster aus MRT-Daten und integrierte sie effektiv, sodass keine komplexeren und rechenintensiveren funktionellen MRT-Scans (fMRT) erforderlich waren.

Die neuropsychologischen Tests stellten auch einen zufriedenstellenden Ersatz für die neurologische Funktion dar und kompensierten das Fehlen der fMRT weiter.

Die alleinige Verwendung von Neuroimaging führte zu zufälligen Aktivierungsmustern, was darauf hindeutet, dass frühe AUD zu subtile und diffuse Veränderungen hervorruft, um ausreichend Unterscheidungskraft zu bieten, um das AUD-Risiko allein genau zu klassifizieren.

Umgekehrt führte die ausschließliche Verwendung klinischer Merkmale dazu, dass Geschlecht und motorische Koordination als wichtigste prädiktive Marker herangezogen wurden. Der Grooved Pegboard-Test zeigte empfindliche Veränderungen in der nichtdominanten Hand, was auf frühe Anzeichen einer neurologischen Schädigung durch AUD hinweist.

Modellinterpretierbarkeitsanalysen wie Gradient-Weighted Class Activation Mapping (Grad-CAM) und SHapley Additive ExPlanations (SHAP) zeigten außerdem, dass unimodale Bildgebungsmodelle diffuse, unspezifische Aktivierungsmuster erzeugten. Im Gegensatz dazu identifizierte das integrierte multimodale Modell klare, biologisch bedeutsame Muster und hob Geschlecht und motorische Koordination als wichtige prädiktive Merkmale hervor.

Die Ergebnisse unterstreichen erneut die Bedeutung geschlechtsspezifischer Risikomuster für AUD bei Feuerwehrleuten. Es ist bekannt, dass die Abbauwege von Alkohol, die Neurotoxizität von Alkohol und das Suchtrisiko je nach Geschlecht unterschiedlich sind.

Die Forscher bewerteten außerdem die Modellkalibrierung und Entscheidungskurvenanalysen und zeigten, dass der multimodale Ansatz sowohl die Genauigkeit als auch den klinischen Wert über einen weiten Bereich von Schwellenwahrscheinlichkeiten hinweg beibehielt. Es übertraf durchweg die Einzelmodalitätsmodelle durch die Reduzierung falsch-positiver und falsch-negativer Ergebnisse, wohingegen die Genauigkeit rein klinischer und rein neuroimaging-basierter Modelle bei höheren Schwellenwerten abnahm.

Dies weist darauf hin, dass dieses relativ einfache Modell des maschinellen Lernens für den klinischen Einsatz relevant ist. Dies ist ein wichtiger Fortschritt, wenn man bedenkt, dass die Komplexität der fMRT die klinische Anwendbarkeit multimodaler Ansätze beeinträchtigt hat. Im Vergleich zu früheren Untersuchungen, bei denen strukturelle und funktionelle MRT kombiniert wurden, um Teilnehmer nach psychiatrischer Diagnose zu klassifizieren, schneidet sie gut ab.

Ein sicherer Weg zur Prävention

Die aktuelle Studie präsentiert ein neuartiges multimodales Framework für maschinelles Lernen, das strukturelles Neuroimaging mit neuropsychologischen Tests der AUD-spezifischen Funktion kombiniert. Dies führte zu einer besseren Klassifizierungsleistung im Vergleich zu rein klinischen oder rein neuroimaging-Protokollen. Dadurch werden Rechenressourcen und Bildaufnahmezeit reduziert.

Das multimodale ResNet-50 + ViT + MLP-Modell übertraf sowohl die rein klinischen als auch die rein bildbasierten Modelle deutlich.

Um diesen Ansatz zu verfeinern und dadurch die Genauigkeit zu erhöhen und unnötige berufliche Eingriffe zu verhindern, sind größere Studien erforderlich. Angesichts der Fehlklassifizierungsrate von 20 % eignet es sich derzeit am besten für die aktuelle statt für die prospektive Risikovorhersage.

Auch Kostenwirksamkeitsstudien sind erforderlich. Derzeit wären 150 Bildschirme erforderlich, um einen schweren Arbeitsunfall kosteneffizient zu verhindern. Kaskadeneffekte wie die Vermeidung von Arbeitsrisiken und -verletzungen, erhöhte Sicherheit, geringere Haftungsrisiken sowie höhere Produktivität und Einsatzbereitschaft sind dabei nicht berücksichtigt.

Dies bietet jedoch „einen pragmatischen Weg zur Implementierung eines objektiven AUD-Screenings in Berufsgruppen mit hohem Risiko mit weitreichenderen Auswirkungen auf die psychiatrische Risikostratifizierung in traumaexponierten Berufen.“ Bei routinemäßigen medizinischen Tests könnten kürzere Screening-Protokolle verwendet werden, um die Genauigkeit aufrechtzuerhalten und gleichzeitig die Durchführbarkeit und Anwendbarkeit zu verbessern, und zwar nicht nur für Feuerwehrleute, sondern auch für andere Fachkräfte mit hohem Risiko.

Laden Sie jetzt Ihr PDF-Exemplar herunter!

Quellen:

Journal reference: