Ein neues Forschungsprojekt namens STELLAR will die Ausbildung angehender Mental-Health-Klinikerinnen und -Kliniker grundlegend verändern, indem es KI-gestützte digitale Zwillinge von Patientinnen und Patienten schafft, die realistische, aber vollständig kontrollierbare klinische Gespräche simulieren und damit ein zentrales Problem der psychiatrischen Ausbildung lösen sollen: den Mangel an vielfältigen, wiederholbaren und ethisch unbedenklichen Übungssituationen.
Was ist STELLAR, und warum wurde es entwickelt?
Forschende der University of Pennsylvania, der New York University und des Linguistic Data Consortium (LDC) der Penn haben vom Wellcome Trust eine zweijährige Förderung in Höhe von 4 Millionen US-Dollar erhalten, um eine skalierbare KI-Plattform für die Ausbildung von Mental-Health-Fachkräften zu entwickeln.
Das Projekt trägt den Namen STELLAR, ein Akronym für „Steering-Vector Enhanced LLM Agents for Realistic Digital Twins in Mental Health“. Es entstehen virtuelle Patientinnen und Patienten, sogenannte digitale Zwillinge, deren psychiatrische Symptome von Ausbildenden präzise eingestellt werden können.
Ein zentrales Problem der klinischen Ausbildung besteht darin, Trainees auf die Komplexität realer Gespräche vorzubereiten, in denen sich Symptome überlagern, im Zeitverlauf verändern und von Person zu Person unterschiedlich zum Ausdruck kommen. STELLAR soll genau hier ansetzen und Übungsgespräche über ein breites Spektrum an Symptombildern, Hintergründen und klinischen Szenarien ermöglichen.
Sharath Chandra Guntuku, Research Associate Professor für Computer and Information Science an der Penn Engineering School und einer der Projektleiter, bringt das Ziel auf eine einfache Frage: Lassen sich Trainingswerkzeuge entwickeln, die Klinikerinnen und Kliniker besser auf die Vielfalt und Komplexität echter Patientinnen und Patienten vorbereiten?
Digitale Zwillinge: Wie funktionieren die Patientensimulationen?
Die STELLAR-Simulationen bilden keine realen Einzelpersonen ab. Stattdessen handelt es sich um Komposite, die auf echten Datensätzen basieren und Klinikerinnen und Klinikern erlauben, realistische Gespräche in einer kontrollierten Umgebung zu üben.
Für die psychiatrische Ausbildung ist es besonders wichtig, die Symptome, mit denen Studierende konfrontiert werden, präzise zu steuern. So kann ein Trainee etwa zunächst ein Gespräch mit einer leichten Angststörung üben und anschließend mit einem Fall, bei dem sich Angst mit Depression oder psychotischen Symptomen überlagert.
João Sedoc, Assistant Professor für Technology, Operations and Statistics an der NYU Stern School of Business und ebenfalls Projektleiter, betont, dass dieser Ansatz über stilisierte und potenziell verzerrte Simulationen hinausgehen könne, sofern die digitalen Patientinnen und Patienten kontrollierbar und plausibel gestaltet sowie verantwortungsvoll evaluiert würden.
Kontrollierte Variation von Symptomen als Kernprinzip
STELLAR ist so konzipiert, dass Forschende und Ausbildende einstellen können, wie Symptome auftreten, wie stark sie ausgeprägt sind und wie sie miteinander interagieren. Diese Feinsteuerung soll es ermöglichen, Trainingsszenarien zu erzeugen, die im regulären klinischen Alltag nur selten in dieser Kombination vorkommen.
Raquel Gur, Professorin für Psychiatrie mit Zweitanstellungen in Neurologie und Radiologie an der Perelman School of Medicine der Penn, weist darauf hin, dass in der Psychiatrie die Details des Symptomerlebens entscheidend seien: wie jemand Leid beschreibt, wie sich Symptome überlappen, wie sich der Schweregrad im Zeitverlauf verändert und wie der Kontext die klinische Interaktion prägt.
Datengrundlage: von klinischen Interviews bis Social Media
Um die Simulationen zu entwickeln, greifen die Forschenden auf klinische Daten der Philadelphia Neurodevelopmental Cohort zurück. Diese Forschungsressource wurde von Penn Medicine und dem Children’s Hospital of Philadelphia (CHOP) aufgebaut und umfasst psychiatrische Untersuchungen sowie klinische Interviews von tausenden jungen Menschen.
Zusätzlich fließen Daten aus sozialen Medien in das Projekt ein, da sich psychiatrische Symptome nicht nur in formellen klinischen Situationen zeigen, sondern auch in der alltäglichen Sprache, einschließlich Online-Kommunikation, wie Guntuku erläutert.
Neville Ryant, Forscher am Linguistic Data Consortium der Penn und Projektleiter bei STELLAR, macht deutlich, dass die Patientensimulationen für die klinische Ausbildung nur dann nützlich seien, wenn sie in realer klinischer Sprache verankert und als klinische Interaktionen bewertet würden, nicht lediglich als plausibler KI-Dialog.
Die Rolle des LDC bestehe darin, Sprachwissenschaft ins Zentrum des Projekts zu rücken: Spracherkennungswerkzeuge werden für klinische Interviews angepasst, hochwertige Transkripte und Annotationen entstehen, und es wird sowohl bewertet, was die Simulationen sagen, als auch wie sie es sagen, einschließlich der Natürlichkeit synthetischer Stimmen und des Verhaltens der Avatare in echten Trainingsinteraktionen.
Menschen mit gelebter Erfahrung stehen im Zentrum
Obwohl STELLAR auf künstlicher Intelligenz basiert, kann das Projekt nach Einschätzung der Beteiligten nicht allein durch technische Leistungsfähigkeit gelingen. Die Simulationen müssen zusätzlich von jenen Menschen bewertet werden, die am besten verstehen, wie sich eine realistische, respektvolle und hilfreiche Interaktion anfühlen sollte.
Aus diesem Grund werden Menschen mit eigener Erfahrung psychischer Erkrankungen während des gesamten Projekts einbezogen, ebenso wie Angehörige und Betreuungspersonen, die wertvolle Perspektiven in den Bewertungsprozess einbringen.
Ihr Feedback soll den Forschenden helfen zu beurteilen, ob die Simulationen reale Muster des Symptomerlebens widerspiegeln, ob sie eine Vereinfachung oder Stereotypisierung von Patientinnen und Patienten vermeiden und ob sie Trainees angemessen auf die Komplexität, Vielfalt und Nuancen echter klinischer Gespräche vorbereiten.
Gur betont, dass die Einbindung von Menschen mit gelebter Erfahrung es ermögliche, nicht nur zu fragen, ob ein digitaler Patient klinisch akkurat ist, sondern auch, ob die Interaktion respektvoll und realistisch wirkt und Erfahrungen berücksichtigt, die häufig übersehen werden.
Ausblick: skalierbare Ausbildung für die psychiatrische Versorgung der Zukunft
Langfristig könnte STELLAR Ausbildungsprogrammen einen skalierbaren Weg eröffnen, um Klinikerinnen und Kliniker auf vielfältigere und komplexere Patientenbegegnungen vorzubereiten, einschließlich seltener Symptomkombinationen, die im traditionellen Training nur schwer konsistent nachgebildet werden können.
Guntuku fasst das übergeordnete Ziel so zusammen: Indem reale Symptomausdrücke mit steuerbaren digitalen Simulationen verknüpft werden, soll die Ausbildung von Klinikerinnen und Klinikern skalierbarer, methodisch rigoroser und repräsentativer für die tatsächliche Bandbreite psychiatrischer Erkrankungen werden.
Praktische Einordnung für Ausbildungsprogramme
Für Universitäten und klinische Ausbildungsstätten könnte ein System wie STELLAR mehrere praktische Vorteile bieten:
- Wiederholbarkeit: Trainees können denselben Symptomkomplex mehrfach üben, ohne reale Patientinnen und Patienten zu belasten.
- Kontrollierte Schwierigkeitsgrade: Ausbildende können gezielt seltene oder komplexe Symptomüberlagerungen einbauen.
- Ethische Unbedenklichkeit: Da es sich um Komposite und keine realen Einzelpersonen handelt, entfallen viele datenschutz- und einwilligungsbezogene Hürden klassischer Fallstudien.
- Sprachliche Vielfalt: Durch die Einbindung von Social-Media-Sprache können Trainees auch informelle, alltagsnahe Ausdrucksformen psychischer Belastung kennenlernen.
Diese Kombination aus klinischer Präzision und sprachwissenschaftlicher Tiefe unterscheidet STELLAR von bisherigen, oft stark stilisierten Simulationsansätzen in der medizinischen Lehre.
Dieser Beitrag beschäftigt sich mit einem medizinischen Thema, einem Gesundheitsthema oder einem oder mehreren Krankheitsbildern. Dieser Artikel dient nicht der Selbst-Diagnose und ersetzt auch keine Diagnose durch einen Arzt oder Facharzt. Bitte lesen und beachten Sie hier auch den Hinweis zu Gesundheitsthemen!
Häufig gestellte Fragen (FAQs)
Was bedeutet der Name STELLAR genau? STELLAR steht für „Steering-Vector Enhanced LLM Agents for Realistic Digital Twins in Mental Health“ und beschreibt den technischen Ansatz, große Sprachmodelle mittels sogenannter Steuervektoren gezielt so zu justieren, dass sie spezifische Symptommuster realistisch abbilden.
Wer finanziert das Projekt, und in welcher Höhe? Die Förderung stammt vom Wellcome Trust und beläuft sich auf 4 Millionen US-Dollar über einen Zeitraum von zwei Jahren.
Welche Institutionen sind an STELLAR beteiligt? Beteiligt sind die University of Pennsylvania, die New York University sowie das Linguistic Data Consortium der Penn, ergänzt durch klinische Expertise der Perelman School of Medicine.
Woher stammen die Trainingsdaten für die digitalen Zwillinge? Ein zentraler Datensatz ist die Philadelphia Neurodevelopmental Cohort, ein von Penn Medicine und dem Children’s Hospital of Philadelphia aufgebautes Archiv psychiatrischer Untersuchungen und klinischer Interviews. Ergänzend werden Social-Media-Daten herangezogen.
Ersetzen digitale Zwillinge reale Patientenkontakte in der Ausbildung? Nein. Die Simulationen sind als Ergänzung zu bestehenden Ausbildungsformaten konzipiert, nicht als Ersatz für den Kontakt mit realen Patientinnen und Patienten unter klinischer Supervision.
Wie wird sichergestellt, dass die Simulationen keine Stereotype reproduzieren? Menschen mit gelebter Erfahrung psychischer Erkrankungen sowie Angehörige werden während des gesamten Projekts in die Bewertung einbezogen, um Vereinfachungen und Stereotypisierungen zu vermeiden.
Quellen
University of Pennsylvania School of Engineering and Applied Science. (2026, July 9). AI-powered digital twins help train future mental health clinicians. News-Medical.net. https://www.news-medical.net/news/20260709/AI-powered-digital-twins-help-train-future-mental-health-clinicians.aspx
