Tiefes Lernen zur Erkennung von Depressionen bei Personen mit und ohne Alexithymie

Warum es so schwer sein kann, über Gefühle zu sprechen

Viele Menschen leben mit Depressionen, dennoch beruhen unsere wichtigsten Instrumente zu deren Erkennung weiterhin darauf, dass Menschen Fragebögen darüber ausfüllen, wie sie sich fühlen. Was aber, wenn jemand überhaupt Schwierigkeiten hat, seine eigenen Gefühle zu erkennen oder zu beschreiben? Diese Studie untersucht eine Gruppe von Personen mit einer Eigenschaft, die Alexithymie genannt wird — Schwierigkeiten, Gefühle wahrzunehmen und in Worte zu fassen — und fragt, ob künstliche Intelligenz (KI) Ärztinnen und Ärzten in diesen Fällen helfen kann, Depressionen genauer zu erkennen.

Wenn Selbsttests versagen

Standardisierte Depressions-Screenings, etwa kurze Checklisten, die Patientinnen und Patienten in Kliniken oder online ausfüllen, sind schnell und praktisch. Sie setzen jedoch voraus, dass Menschen Traurigkeit, Interessenverlust oder Sorgen einigermaßen zuverlässig bemerken und berichten können. Bei Menschen mit Alexithymie bricht diese Annahme oft zusammen. Sie können sich unwohl fühlen, aber ihre Emotionen nicht leicht benennen, sodass sie in Selbsttests ihr Leiden untermelden, selbst wenn sie tatsächlich depressiv sind. Die Forschenden stellten fest, dass Alexithymie nicht selten ist — sie betrifft fast jede zehnte Person — und dass höhere Alexithymie-Werte mit insgesamt schwereren Depressionen verbunden waren.

Computer die Unterhaltung lauschen lassen

Statt sich nur auf Formulare zu stützen, wandte sich das Team den während klinischer Interviews gesprochenen Worten zu. Fast 300 kantonesischsprachige Erwachsene, darunter Patientinnen und Patienten mit Major Depression und freiwillige Teilnehmende aus der Gemeinschaft, nahmen an strukturierten Interviews mit einer Psychiaterin bzw. einem Psychiater teil, die eine standardisierte Einschätzungsskala für Depressionen verwendeten. Diese Interviews wurden transkribiert. Die Forschenden trainierten anschließend acht große Sprachmodelle — fortgeschrittene KI-Systeme zur Textanalyse — darauf, für jede Person zu entscheiden, ob sie depressiv ist, und zwar anhand der Einschätzung der Psychiaterin bzw. des Psychiaters als Referenzstandard. Die Modelle sahen keine Fragebogenergebnisse; sie lernten direkt aus der Art und Weise, wie Menschen über Schlaf, Energie, Alltag und Stimmung sprachen.

KI gegen das Kontrollkästchen

Die Studie verglich, wie gut die KI-Modelle und eine weit verbreitete Selbstskala, die Hospital Anxiety and Depression Scale–Depression Subscale (HADS-D), Depressionen identifizieren konnten. Über alle Teilnehmenden hinweg übertrafen vier der acht KI-Modelle die Selbstskala deutlich. Beim Blick auf Personen mit Alexithymie war der Unterschied auffällig: Die Genauigkeit der Selbstskala fiel auf das Niveau einer schlechten Vermutung, während die KI-Modelle stabil blieben und eine gute bis ausgezeichnete Leistung zeigten. Wichtig ist, dass die KI-Systeme gleichermaßen gut funktionierten, unabhängig davon, ob Personen keine Alexithymie, mögliche Alexithymie oder eindeutige Alexithymie aufwiesen — das deutet darauf hin, dass Schwierigkeiten, Gefühle zu beschreiben, diese Modelle nicht aus dem Tritt bringen.

Warum KI stabil bleibt, wenn Worte versagen

Warum gelingt es Computern dort, wo Checklisten stolpern? Die Autorinnen und Autoren argumentieren, dass gesprochene Sprache in einem Interview viele subtile Hinweise enthält — Wortwahl, Detailgrad, Zögerungsmuster —, die den inneren Zustand einer Person widerspiegeln, selbst wenn sie ihre Gefühle nicht benennen kann. Große Sprachmodelle sind darauf ausgelegt, solche Muster über längere Textabschnitte aufzuspüren. Im Gegensatz dazu bieten Selbstskalen eine feste Reihe kurzer Fragen, die sich hauptsächlich auf Gedanken und Gefühle konzentrieren und wenig Raum für Menschen lassen, die unsicher sind, wie sie sich selbst bewerten sollen. Die Ergebnisse legen nahe, dass KI-Werkzeuge, wenn sie sorgfältig entwickelt und getestet werden, als starke Assistenten für Klinikerinnen und Kliniker dienen könnten — besonders dort, wo Fachzeit knapp ist und Wartezeiten lang sind.

Was das für die zukünftige Versorgung bedeutet

Für Laien ist die Kernbotschaft einfach: Manche Menschen sind weniger in der Lage, zu beschreiben, wie sie sich fühlen, und für sie können Standard-Depressionsfragebögen wichtige Probleme übersehen. Diese Studie zeigt, dass KI-Systeme, die analysieren, was Patientinnen und Patienten in einem Interview sagen, Depressionen oft zuverlässiger erkennen können als Selbstfragebögen — und dass sie ihre Genauigkeit auch bei vorhandener Alexithymie beibehalten. Während KI menschliche Klinikerinnen und Kliniker nicht ersetzen wird, könnte sie helfen, gefährdete Personen früher zu identifizieren und eine individuellere Versorgung zu steuern. Die Autorinnen und Autoren schlagen vor, dass ähnliche Ansätze eines Tages die Erkennung weiterer psychischer Erkrankungen verbessern könnten, sodass wir zu Bewertungen kommen, die wirklich zu jeder Person passen, anstatt alle in dieselbe Form pressen zu wollen.

Zitation: Lam, C., Xian, L., Huang, R. et al. Deep learning for detecting depression in individuals with and without alexithymia. Commun Med 6, 123 (2026). https://doi.org/10.1038/s43856-026-01393-0

Schlüsselwörter: Depressionserkennung, Alexithymie, künstliche Intelligenz, klinische Interviews, Screening psychischer Gesundheit