Untersuchung der Geodaten von Benutzern der Moodpath mHealth App mithilfe von Methoden des Maschinellen Lernens

Depressive Störungen sind ein ernstzunehmendes weitverbreitetes Krankheitsbild. Sie bleiben häufig unentdeckt oder unbehandelt. Dies hat weitreichende Auswirkungen, nicht nur auf den Betroffenen und nahestehende Personen, sondern auch auf ökonomischer Ebene. Die indirekten Kosten, welche beispielsweise durch Produktionsausfälle aufgrund Krankschreibungen oder Frühpensionierungen entstehen, belaufen sich Schätzungen zufolge in der EU auf jährlich 260 Milliarden Euro. Um mögliche depressive Störungen zu erkennen bieten Smartphones und themenspezifische Applikationen eine große Möglichkeit. Man hat die Möglichkeit Verhaltensmuster der Nutzer aufzuzeichnen und so potenzielle depressive Episoden frühzeitig zu erkennen oder bei schon diagnostizierter Depression Faktoren für depressive Schübe zu identifizieren. Des Weiteren bieten Smartphones die Chance Bewegungsdaten aufzuzeichnen und legen somit die Grundlage um eventuelle Einflüsse der verschiedenen Aufenthaltsorte auf Depressionen zu untersuchen. In dieser Arbeit werden Geodaten verwendet, um den allgemeinen Gemütszustand vorherzusagen. Dafür werden Daten der Moodpath Applikation verwendet und es wird wie folgt vorgegangen. Mithilfe der Geodaten werden Cluster erstellt, die als exogene Variable dienen. Der sogenannte ‚Happiness Score‘, welchen die Nutzer mehrmals täglich in einem Fragebogen angegeben haben, stellt die endogene Variable dar. Nun soll festgestellt werden, ob ein Zusammenhang zwischen den Clustern und dem Happiness Score besteht. Dafür werden Methoden des maschinellen Lernens zur Klassifikation herangezogen: Support Vector Machine, Decision Trees und Random Forest. Die Performances der entwickelten Modelle werden anhand einer Kreuzvalidierung evaluiert. Das Ergebnis zeigt einen Zusammenhang zwischen den Geodaten und dem Gemütszustand. Die SVM erzielt eine minimal bessere geschätzte Klassifikationsgenauigkeit als der Decision Tree oder der Random Forest, allerdings mit einer höheren Rechenzeit. Auch andere Untersuchungen belegen eine Korrelation zwischen Bewegungsdaten und Depressionen. All diese Befunden sollten in größer angelegten Studien
repliziert werden.