Die Parkinson-Krankheit ist eine progressive neurodegenerative Erkrankung, die nicht nur mit motorischen Beeinträchtigungen, sondern auch mit kognitiven, emotionalen und kreativitätsbezogenen Veränderungen einhergeht. Zunehmende empirische Evidenz deutet darauf hin, dass Veränderungen im künstlerischen Ausdruck einen frühen und bislang wenig erforschten Marker der Erkrankung darstellen könnten. Das primäre Ziel der vorliegenden Masterarbeit bestand darin, eine standardisierte, quantitative und reproduzierbare methodische Pipeline zur Analyse kunstbezogener Veränderungen bei der Parkinson-Krankheit zu validieren. Konkret wurde untersucht, ob die kombinierte Anwendung einer kontrollierten Zeichenaufgabe, objektiver Bildmerkmalextraktion und maschineller Klassifikationsverfahren ein valides Rahmenkonzept zur Unterscheidung von Personen mit Parkinson-Krankheit und gesunden Kontrollpersonen darstellt. Das eingesetzte Machine-Learning-Modell unterschied zuverlässig zwischen Teilnehmenden mit Parkinson-Krankheit und gesunden Kontrollen deutlich über dem Zufallsniveau, wobei die Klassifikation durch mehrere unabhängige quantitative Bildeigenschaften und nicht durch einzelne isolierte Merkmale bestimmt wurde. Von besonderer Bedeutung ist, dass Cue-Bedingungen die Ergebnisse nicht systematisch verzerrten und sowohl longitudinale als auch interventionsbezogene Effekte gering ausfielen, was die zeitliche Stabilität der extrahierten Maße unterstützt. Ultimativ sprechen diese Befunde dafür, dass die beobachteten Gruppenunterschiede auf robuste visuelle Charakteristika zurückzuführen sind und nicht auf Aufgabenartefakte oder kurzfristige Schwankungen. Trotz bestehender Limitationen, insbesondere im Hinblick auf fehlende Prädiktoren und Stichprobenheterogenität, stützen die Ergebnisse die Validität des vorgeschlagenen End-to-End-Ansatzes als standardisiertes, kosteneffizientes und skalierbares Framework für zukünftige Forschung. Die Arbeit zeigt, dass die Integration einer kontrollierten Zeichenaufgabe, quantitativer Bildanalyse und maschinellen Lernens eine methodisch fundierte Grundlage zur Untersuchung kunstbezogener Veränderungen bei der Parkinson-Krankheit bietet und den Weg für Replikationsstudien sowie potenzielle prädiagnostische Anwendungen ebnet.
Paul Alexander Hasler (Thu,) studied this question.