Einordnung statt Gewissheit: Dialogatlas trennt Quellen, Beobachtungen und redaktionelle Schlussfolgerungen. Neue Daten können diese Einordnung verändern.

Die Studie prüft ein Angebot für den gewöhnlichen Wochenbett-Alltag

Die Leitpublikation von 2023 untersuchte nicht vorrangig eine Gruppe mit diagnostizierter Depression. Teilnehmen konnten englischsprachige Frauen ab 18 Jahren, die nach einer Lebendgeburt in einem tertiären akademischen Zentrum entlassen werden sollten und ein Smartphone besaßen. Sie wurden noch während des Geburtsaufenthalts aufgenommen. Die Forschungsfrage war entsprechend pragmatisch: Ist ein digitaler Gesprächsagent mit perinatal ausgerichteten Inhalten in einer allgemeinen postpartalen Population akzeptabel, und zeigen sich erste Hinweise auf eine Wirkung auf Stimmung und Angst?

Diese Eingrenzung ist entscheidend. Wer aus der Studie eine Aussage über die Behandlung ausgeprägter postpartaler Depression ableitet, wechselt unbemerkt die Zielgruppe. Die durchschnittlichen Ausgangswerte lagen unter den Schwellen für ein positives Depressionsscreening. Untersucht wurde somit vor allem, ob ein niedrigschwelliges digitales Angebot in einer körperlich, zeitlich und organisatorisch besonderen Lebensphase überhaupt angenommen wird und ob sich innerhalb von sechs Wochen messbare Unterschiede zur üblichen Versorgung ergeben. Das ist keine nebensächliche Vorstufe, sondern eine eigenständige Produkt- und Versorgungsfrage.

Randomisierung schafft Vergleichbarkeit, aber keine vollständige Verblindung

Insgesamt wurden 192 Frauen im Verhältnis eins zu eins randomisiert. Die Interventionsgruppe installierte eine Smartphone-App mit dem Gesprächsagenten und perinatalen Inhalten; zusätzlich erhielt sie weiterhin die übliche Versorgung. Die Kontrollgruppe bekam ausschließlich diese übliche Versorgung, bestehend aus der routinemäßigen Nachsorge und der psychischen Gesundheitsversorgung, die der jeweilige geburtshilfliche Anbieter veranlasste. Die Studie war unverblindet. Alle Teilnehmerinnen beantworteten Fragebögen zu Beginn sowie zwei, vier und sechs Wochen nach der Geburt.

Als primärer Endpunkt war die Veränderung depressiver Symptome nach sechs Wochen definiert. Dafür verwendete das Forschungsteam zwei etablierte Screeninginstrumente, den Patient Health Questionnaire-9 und die Edinburgh Postnatal Depression Scale. Angstsymptome wurden mit dem Generalized Anxiety Disorder-7 erfasst; Zufriedenheit und Akzeptanz gehörten zu den sekundären Ergebnissen. Von den 192 randomisierten Frauen gingen 152 in die abschließende Analyse ein: 68 aus der App-Gruppe und 84 aus der üblichen Versorgung. Diese Differenz zwischen Zuteilung und Auswertung sollte bei der Interpretation sichtbar bleiben, auch wenn sie den randomisierten Ansatz nicht wertlos macht.

Ein Depressionsmaß bewegt sich, das andere nicht

Nach sechs Wochen war der durchschnittliche Rückgang im PHQ-9 in der App-Gruppe größer als in der Kontrollgruppe: 1,32 Punkte gegenüber 0,13 Punkten. Das ist ein positives Signal zugunsten der Intervention. Es steht jedoch nicht allein für den gesamten primären Endpunkt, denn bei der Edinburgh Postnatal Depression Scale unterschieden sich die Mittelwerte der Gruppen nach sechs Wochen nicht. Auch beim GAD-7 ergab sich kein Gruppenunterschied; die Werte für Angst und die mit der EPDS gemessenen Symptome blieben ähnlich wie zu Beginn.

Damit liegt weder ein durchgehend negativer noch ein durchgehend bestätigender Befund vor. Zwei Instrumente für depressive Symptome führen zu unterschiedlichen Ergebnissen. Die bereitgestellten Quellenangaben nennen für den PHQ-9-Vergleich kein Konfidenzintervall und keinen p-Wert, weshalb sich seine statistische Präzision hier nicht weiter beurteilen lässt. Redaktionell halten wir es für falsch, den PHQ-9-Rückgang kleinzureden, nur weil er isoliert auftritt. Ebenso falsch wäre es, ihn als umfassenden Wirksamkeitsnachweis auszugeben. Der angemessene Befund lautet enger: In einer wenig belasteten Allgemeinpopulation zeigte sich bei einem Depressionsmaß ein größerer Rückgang, bei den anderen Symptommaßen nicht.

Zufriedenheit und tatsächliche Nutzung erzählen verschiedene Geschichten

Die Akzeptanzdaten sind eindrucksvoller als das Symptombild. Von den in der Abschlussanalyse erfassten Nutzerinnen bezeichneten sich 91 Prozent, also 62 Frauen, als zufrieden oder sehr zufrieden. Achtzig Prozent aller Studienteilnehmerinnen gaben an, sich mit einer mobilen App zur Stimmungsregulation wohlzufühlen. Zugleich berichteten 74 Prozent der Interventionsgruppe, den Gesprächsagenten wenigstens einmal innerhalb der zwei Wochen vor der Abschlussbefragung verwendet zu haben.

Diese Zahlen dürfen nicht zu einer einzigen Zustimmungsskala verschmolzen werden. Sich mit dem Format wohlzufühlen, damit zufrieden zu sein und es aktuell zu verwenden sind unterschiedliche Sachverhalte. Eine Nutzung mindestens einmal in zwei Wochen belegt keine hohe Intensität, zeigt aber, dass das Angebot für einen beträchtlichen Teil der Frauen nach der ersten Installation nicht sofort bedeutungslos wurde. Unsere Einordnung ist deshalb ausdrücklich positiv: In einer Phase, in der Zeit, Verfügbarkeit und Kosten den Zugang zu Unterstützung erschweren können, ist eine breite Bereitschaft zur Nutzung ein substanzieller Befund. Sie beweist nur nicht automatisch eine Symptomwirkung.

Niedrige Ausgangswerte begrenzen den möglichen Rückgang

Die Autorinnen und Autoren benennen selbst die zentrale Grenze: Die Stichprobe lag zu Beginn im Mittel unter den Schwellen eines positiven Depressionsscreenings. Wo die Ausgangsbelastung niedrig ist, bleibt weniger Raum für eine deutliche Verbesserung auf einer Symptomskala. Dieses sogenannte Bodenproblem ist eine plausible Erklärung für die begrenzten Unterschiede, aber kein nachträglicher Beweis dafür, dass die App bei stärker belasteten Frauen besser gewirkt hätte. Genau das müsste eine andere Studie untersuchen.

Der Befund verändert außerdem die Bedeutung des Wortes Wirkung. In einer allgemeinen geburtshilflichen Population kann ein digitales Gesprächsangebot einen Wert haben, ohne große durchschnittliche Symptomverschiebungen zu erzeugen – etwa als leicht erreichbares Format, das Frauen akzeptieren und wiederholt aufrufen. Ob daraus Prävention, frühere Hilfe oder ein anderer langfristiger Nutzen entsteht, wurde in den sechs Wochen nicht gezeigt. Die Studie liefert somit gute Gründe für weitere Untersuchungen mit längerer Laufzeit und gezielt eingeschlossenen Risikogruppen, wie es die Publikation selbst vorschlägt. Sie liefert keine Grundlage, den beobachteten Nutzen einfach auf diese Gruppen zu übertragen.

Die argentinische Pilotstudie macht denselben methodischen Konflikt sichtbar

Eine randomisierte Pilotstudie von María Carolina Klos und Kolleginnen untersuchte den KI-basierten Gesprächsagenten Tess bei argentinischen Studierenden. 181 Personen zwischen 18 und 33 Jahren wurden entweder acht Wochen lang Tess oder einem psychoedukativen Buch über Depression zugeteilt; 87,2 Prozent der Ausgangsstichprobe waren Frauen. Nach acht Wochen lagen allerdings nur noch Daten von 39 der 99 Personen in der Interventionsgruppe und 34 der 82 Personen in der Kontrollgruppe vor. Diese geringe Abschlussquote begrenzt die Aussagekraft erheblich.

Zwischen den Gruppen fanden sich keine signifikanten Unterschiede bei depressiven Symptomen oder Angst. Innerhalb der Tess-Gruppe gingen Angstsymptome zurück, in der Kontrollgruppe nicht. Für die kausale Bewertung ist jedoch der direkte Gruppenvergleich maßgeblich; ein Vorher-nachher-Unterschied innerhalb nur einer Gruppe ersetzt ihn nicht. Gleichzeitig nutzten die Studierenden das System intensiv: Im Durchschnitt wurden 472 Nachrichten ausgetauscht, davon 116 als Antworten der Nutzerinnen und Nutzer. Mehr Nachrichten waren mit positiverem Feedback verbunden. Auch hier ist die Richtung offen – zufriedenere Personen könnten länger geschrieben haben, oder längere Nutzung könnte die Bewertung verbessert haben. Im Vergleich zur Wochenbettstudie wiederholt sich dennoch ein ernst zu nehmendes Muster: Nutzung und Zustimmung lassen sich leichter zeigen als eindeutige Symptomvorteile.

Die Metaanalyse stützt kleine Effekte, nicht grenzenlose Versprechen

Der breitere Forschungsstand ist günstiger, als zwei einzelne Versuche vermuten lassen könnten. Jake Linardon und Kollegen werteten 2024 insgesamt 176 randomisierte Studien zu Smartphone-Apps gegen depressive und Angstsymptome aus. Über 33.567 Teilnehmende hinweg zeigten Apps einen signifikanten, insgesamt kleinen Effekt auf depressive Symptome mit einer standardisierten Effektstärke von g = 0,28. Für generalisierte Angst lag der ebenfalls kleine Effekt bei g = 0,26 und beruhte auf 22.394 Teilnehmenden. Die Effekte blieben bei unterschiedlichen Nachbeobachtungszeitpunkten sowie nach dem Ausschluss kleinerer Studien und von Studien mit höherem Verzerrungsrisiko bestehen.

Für Depression waren die Effektstärken größer, wenn Apps Elemente kognitiver Verhaltenstherapie oder Gesprächstechnologie enthielten. Bei Angst fielen sie unter anderem größer aus, wenn generalisierte Angst das primäre Ziel war und die App entsprechende verhaltenstherapeutische oder stimmungsbeobachtende Funktionen bot. Das erweitert den Einzelbefund sinnvoll: Digitale Anwendungen können im Durchschnitt messbare, wenn auch kleine Symptomverbesserungen erreichen. Es erlaubt aber nicht den Schluss, dass allein die Gesprächsform den zusätzlichen Effekt verursacht. Die Merkmale sind in der Metaanalyse mit größeren Effekten verbunden; sie wurden nicht als isolierte Komponenten randomisiert. Zudem sagt ein Durchschnitt über viele Apps wenig darüber aus, ob ein bestimmtes Produkt für eine bestimmte postpartale Gruppe geeignet ist.

Der richtige Maßstab ist eine klar begrenzte Aufgabe

Aus den drei Publikationen entsteht kein Urteil über KI-Gespräche im Allgemeinen. Die Wochenbettstudie prüfte eine konkrete Smartphone-Anwendung mit perinatalen Inhalten; die bereitgestellten Angaben beschreiben ihre technische Architektur nicht näher. Ergebnisse über diesen Gesprächsagenten dürfen deshalb nicht ohne Weiteres auf offene generative Systeme übertragen werden. Umgekehrt wäre es ebenso voreilig, aus einem uneinheitlichen primären Ergebnis abzuleiten, digitale Gespräche seien klinisch belanglos. Die Metaanalyse zeigt, dass kleine durchschnittliche Effekte über eine große Zahl randomisierter Studien hinweg belastbar sein können.

Für Produktentwicklung und Forschung folgt daraus eine präzisere Leitfrage: Welche begrenzte Aufgabe soll ein Gesprächssystem in welcher Population über welchen Zeitraum erfüllen? In der Studie von Suharwardy und Kolleginnen bestand der überzeugendste Beitrag nicht in einer dramatischen Symptomsenkung, sondern in der Verbindung aus hoher Zufriedenheit, fortgesetzter Nutzung und einem einzelnen positiven Depressionssignal. Das ist weniger spektakulär als ein Versprechen umfassender Versorgung, aber fachlich brauchbarer. Unsere redaktionelle Position ist daher klar: Akzeptanz ist kein Ersatzendpunkt für Wirksamkeit, doch bei niedrigschwelligen Angeboten auch kein Trostpreis. Sie ist ein eigenständiges Ergebnis, das eine sinnvolle nächste Studie begründen kann – sofern der begrenzte Symptomnachweis genauso offen benannt wird.

Quellen & weiterführende Hinweise