Das Interesse an psychischer Gesundheit hat sich im Laufe der Zeit verändert. Wir haben uns im Rahmen des Data Science Tracks von TechLabs Münster damit beschäftigt, wie sich diese Veränderung über die letzten Jahre darstellen lässt. Insbesondere hat uns eine grafische Darstellung der Suchanfragen in dem Gebiet psychische Gesundheit interessiert.
Um unsere Idee umzusetzen sind wir wie folgt vorgegangen:
1. Beschaffung von Daten (Automatisierung)
Wir haben uns zunächst darauf festgelegt, welche Daten wir für das Projekt verwenden wollen. Im nächsten Schritt haben wir uns damit auseinandergesetzt, wie wir die Daten möglichst aktuell beschaffen können. Hierbei haben wir uns für die Verwendung einer API zu Google Suchanfragen/ Google Trends (pytrends) entschieden. Hierbei sind Daten ab dem Jahr 2004 abrufbar.
2. Kategorien bilden
Im zweiten Schritt haben wir Kategorien zusammengestellt, die die Suchanfragen enthielten, die uns interessiert haben. Bei der Zusammenstellung dieser Kategorien haben wir uns an der Definition der Störungsbilder nach dem ICD-10 orientiert und uns darüber hinaus Synonyme und umgangssprachlich gebräuchlichere Begriffe ausgewählt. Als Oberkategorien gibt es das Interesse an mentaler Gesundheit, das Interesse an Psychotherapie und das Interesse an ausgewählten Störungsbildern. Die Unterkategorien der Störungsbilder sind Depression, Schizophrenie, Zwangsstörung, Angststörung, Essstörung, ADHS und Schlafstörung.
3. Datenaufbereitung und Datenanalyse
Für uns war es wichtig, die Daten nicht nur für ganz Deutschland, sondern auch pro Bundesland abrufen zu können, um auch geografische Unterschiede und Besonderheiten abbilden zu können.
4. Erstellen der Grafiken
Bei der Erstellung der Grafik soll eine Kategorie ausgewählt werden können. Bei den Störungsbildern besteht die Möglichkeit, optional neben der ausgewählten Unterkategorie, eine weitere Unterkategorie zum Vergleich zweier Störungsbilder auszuwählen. Dadurch wird es möglich, das Interesse an zwei Störungsbildern über die Zeit direkt vergleichen zu können. Vor dem Erstellen der Grafik muss sowohl der Zeitraum als auch das Bundesland ausgewählt werden. Um mögliche Veränderungen in Deutschland zu bestimmten Ereignissen erkennen zu können, haben wir die folgenden gesellschaftlichen Ereignisse, unabhängig von den Kategorien, in der grafischen Darstellung markiert. Weiterhin sollen die Suchanfragen je Störung in einer Deutschlandkarte farbig markiert werden.
5. Oberfläche der Webapp
Zur Umsetzung der Anwendung haben wir uns für Streamlit entschieden.
Allgemeine Entwicklung des Interesses an psychischer Gesundheit
Die Google-Trends-Daten zeigen, dass das Interesse an psychischer Gesundheitsthematik in Deutschland seit 2004 insgesamt deutlich angestiegen ist. Während alle Kategorien ausgewählten Kategorien „mentale Gesundheit“, „Therapie“ und „Störungsbilder“ vor 15–20 Jahren nur geringes Suchvolumen aufwiesen, ist im Laufe der Zeit ein konstanter Anstieg zu verzeichnen. Dies deutet darauf hin, dass das Interesse von mentaler Gesundheit zunehmend gesellschaftlich relevant und möglicherweise auch enttabuisiert wird. Zusätzlich zeigt sich, dass das Interesse für spezifische Störungsbilder variiert. Zwar zeigen alle Störungsbilder eine Tendenz für ein zunehmendes Interesse, aber während z. B. das Interesse von ADHS bis ca. 2020 recht konstant war, ist es vor allem in den letzten Jahren immer populärer geworden. Das Interesse für Depressionen hatte von Beginn an zum einen ein höheres Ausgangsniveau an Interesse, aber gleichzeitig auch einen weniger steilen Anstieg als beispielsweise ADHS.
Einfluss gesellschaftlicher Krisen auf Suchverhalten
Unsere Idee war es, dass sich ein möglicherweise gestiegenes Suchinteresse für unsere Suchbegriffe kurz nach gesellschaftlich relevanten Ereignissen findet, wie z. B. nach dem ersten Corona Lockdown oder auch nach dem Ausbruch des Ukraine Kriegs. Zwar lassen sich häufig je nach Kategorie verschiedene Peaks nach den gesellschaftlichen Ereignissen beobachten, jedoch ist dabei wichtig zu beachten, dass die Ursache nicht unbedingt kausal zu interpretieren ist. Diese Peaks können zufällig entstanden sein, aber gleichzeitig können die Auswirkungen sich auch erst viel später im Interesse gezeigt haben. Das wäre vor allem bei der Corona Pandemie denkbar, denn die tatsächlichen Folgen den Lockdowns waren den Personen vermutlich nicht ab Tag eins bewusst. Die Muster legen nahe, dass gesellschaftliche Ereignisse zu einem veränderten Interesse an psychischen Erkrankungen in der Bevölkerung führen, aber es fehlen weitergehende Untersuchungen, ob die Ereignisse tatsächlich in einem direkten Zusammenhang mit dem Interesse für mentale Gesundheit stehen.
Regionale Unterschiede
Die Auswertung nach Bundesländern zeigen Unterschiede im Suchinteresse. Je nach Störung zeigen sich weniger regionale Unterschiede (z. B. Depression), während bei anderen Störungen (z. B. Essstörungen) die Unterschiede extremer ausfallen: auffallend hier ist beispielsweise der große Unterschied zwischen West- und Ostdeutschland wie auch in der Abbildung zu sehen ist. Möglicherweise könnten diese Unterschiede mit der Versorgungssituation oder auch mit kulturellen Faktoren zusammenhängen.
Learnings
Google-Trends-Daten können als Spiegel der Gesellschaft dienen: sie zeigen einen Zusammenhang, wie gesellschaftliche Krisen das psychische Wohlbefinden beeinflussen.
Psychische Gesundheit gewinnt immer mehr an Popularität. Das deutet auf eine zunehmende Enttabuisierung hin.
Der hohe Anteil an Suchanfragen zu Therapieplätzen weist auf weitgehende Defizite im Gesundheitssystem hin. Diese sind nicht in allen Bundesländern von Deutschland als gleich einzustufen.
Suchtrends könnten genutzt werden, um Versorgungsengpässe frühzeitig sichtbar zu machen, um möglichen Reaktionen auf gesellschaftliche Krisen entgegenzuwirken.
Google Colab
https://colab.research.google.com/drive/1m6ez-OhPl8C6d5W79sqbMRO1AF9nbh_A?usp=sharing
Quellenangaben
Google Trends. (o. J.). Explore what the world is searching. Abgerufen am 19.08.2025, von https://trends.google.com Soumitra, R. (o. J.). pytrends: Pseudo API for Google Trends. GitHub repository. Abgerufen von https://github.com/GeneralMills/pytrends Streamlit, Inc. (o. J.). Streamlit – The fastest way to build data apps in Python. Abgerufen von https://streamlit.io
Team & Rollen
Hannah Wilms
In alle Schritte des Projekts eingebunden.
Anna-Lena Schulte
In alle Schritte des Projekts eingebunden.
Sarah Lindfeld
In alle Schritte des Projekts eingebunden.
Carolin Möllers
In alle Schritte des Projekts eingebunden.
Mentor:in
Julia Norget