Die Auswahl unserer Forschungsmethoden fällt je nach Schwerpunkt anders aus.

Schwerpunkt 1: Mechanismen

Der Hauptzweck des Forschungsschwerpunkts „Mechanismen“ ist die Isolierung diskreter, transtheoretischer Wirkmechanismen, die mit vermittelbaren therapeutischen Techniken gezielt aktiviert werden können. Hier ist besonders darauf zu achten, dass die Ergebnisse der Untersuchungen robust genug sind, um kausale Aussagen zu ermöglichen, was in diesem Gebiet bisher nicht der Fall war (Cuijpers et al., 2019).

Kausales Denken beginnt mit klaren Aussagen darüber, welche Voraussetzungen aufgestellt werden. Dazu muss das Vorwissen über den datengenerierenden Prozess dokumentiert werden. Dieses Vorwissen kann sich auf empirische Daten stützen, aber auch auf Expert*innenwissen.  Eine nützliche Methode stellen kausale Diagramme („Directed Acyclic Graphs“, DAGs) dar, die es ermöglichen, alle kausalen Annahmen grafisch darzustellen. Als zweiter Schritt folgt die Entwicklung einer Identifikationsstrategie: hier muss aus den zuvor explizit gemachten kausalen Annahmen ein Weg ermittelt werden, wie der gewünschte Effekt berechnet werden kann. Konfundierende Variablen und „Collider“ müssen erkannt und entsprechend im statistischen Modell berücksichtigt werden. Falls noch keine Daten vorhanden sind, lässt sich hier auch feststellen, an welcher Stelle im kausalen Modell oder Experimente weitere Beobachtungsstudien nötig sind oder welche Variablen zusätzlich beobachtet werden müssen. So können zukünftige Versuche transparent und ressourcenschonend geplant werden. Kausale Effekte therapeutischer Techniken auf Zielprozesse lassen sich ökonomisch mit „Single Case Experimental Designs“ (SCEDs) bestimmen. Sind Daten aus dem Alltag der Patient*innen erforderlich, lassen sich „Ecological Momentary Assessment“-Studien, die durch Wearable-Messungen physiologischer Daten begleitet werden können, mittels neuerer Modellierungstechniken (z.B. Daza, 2018) wie Experimentaldaten analysieren. Sollen erste Hypothesen aus Beobachtungsdaten gewonnen werden, bieten sich psychometrische Netzwerkanalysen an, Bayesianische Netzwerke können kausale Effekte in Querschnittsdaten ermitteln und so hilfreich bei der Planung experimenteller Studien zur direkten Bestimmung kausaler Effekte sein. Vollständige Behandlungsansätze können in aufwändigen randomisiert-kontrollierten Studien geprüft werden.

Bei der Bestimmung relevanter Zielkonstrukte, die für mechanistische Studien geeignet sind, ist es wichtig, dass es sich um robuste Konstrukte handelt. Ein systematischer Ansatz zur Erarbeitung solcher Konstrukte auf theoretischer Ebene ist die „Theory Construction Methodology“ (TCM; Borsboom et al., 2022). Hier werden in mehreren klar strukturierten Arbeitsschritten empirische Phänomene identifiziert, formalisiert und evaluiert. Aktuell wird die TCM in der Arbeitsgruppe auf den transtheoretischen Mechanismus des „Instrumentellen Abrufs“ angewendet.

Die Forschung nach Wirkmechanismen der Psychotherapie steht einer ständig wachsenden Zahl therapeutischer Verfahren und Manualen gegenüber, die jeweils ihre Einzigartigkeit behaupten, ohne diese belegen zu können. Die Isolierung mechanismenorientierter therapeutischer Techniken aus dem unübersichtlichen „Markt“ verschiedener therapeutischer Ansätze wird es langfristig ermöglichen, eine integrative Psychotherapie zu schaffen (vgl. Gaines & Goldfried, 2021).

Schwerpunkt 2: Datengestützte Personalisierung

Die Personalisierung von Psychotherapie kann auf Unterschiedliche Arten zustande kommen. In gewisser Hinsicht personalisieren Psychotherapeut*innen immer: sie gehen intuitiv auf die jeweiligen Bedürfnisse des/der Patient*in ein und passen die Auswahl der verwendeten Techniken an diese an. Die Auswahl der gesetzten Interventionen richtet sich nach Verfügbarkeit und der Präferenz der Therapeut*innen, manchmal auch nach Leitlinien. Hierbei stehen allerdings selten wissenschaftliche Erkenntnisse im Vordergrund und es ist im Einzelfall nicht nachvollziehbar, wie es zu einer bestimmten Behandlungsentscheidung kam. Die datengestützte Personalisierung versucht, mit transparenten, validierten Entscheidungsalgorithmen die Therapieplanung zu unterstützen, indem sie die Therapieansätze oder Techniken auswählt die für den jeweiligen Fall zum bestmöglichen Therapieergebnis führen. Auch ist eine Entscheidung über die Intensität der Behandlung denkbar (geführte Selbsthilfe, Psychotherapie, stationäre Behandlung, etc.).

Nicht alle Interventionen sind jedoch „personalisierbar“. Nur wenn es eine nachweisbare Varianz im Effekt einer therapeutischen Methode gibt, ist es sinnvoll, nach Prädiktoren für eine differenzielle Wirksamkeit zu suchen (Kaiser et al., 2022). Diese Heterogenität des Behandlungseffekts lässt sich annäherungsweise mit Meta-Analysen bestimmen, die das Verhältnis der Varianz im Therapieergebnis von Interventions- zu Kontrollgruppen bestimmen. Liegen individuelle Patient*innendaten vor, können aus Strukturgleichungsmodellen basierende Ansätze diese Heterogenität genauer schätzen (z.B. Mayer et al. 2020).

Ist eine Heterogenität der Behandlungseffekte etabliert, können nun möglichst gute Prädiktoren für den Therapieerfolg verschiedener Methoden und Techniken gesucht werden. Methodisch werden hier vor allem Ansätze des maschinellen Lernens („Machine Learning“, ML) eingesetzt. Die Ergebnisse können in klinischen Unterstützungssystemen wie dem GPNS benutzer*innenfreundlich an die Therapeut*innen weiter geleitet werden.