一个预后指数,用于预测受过创伤的退伍军人的指导,基于网络的干预的症状和功能结果

科学领域:

• 心理健康 心理健康
• 数字健康干预措施 数字健康干预措施
• 医疗保健中的机器学习

背景情况:

• 创伤后应激障碍 (PTSD) 和并发疾病在退伍军人中很普遍.
• 数字干预提供了可访问的治疗选择,在情感和人际关系调节 (webSTAIR) 上的网络技能培训显示了实证支持.
• 预测治疗结果对于优化退伍军人护理至关重要.

研究的目的:

• 识别患者特征,预测接受webSTAIR数字干预的退伍军人的结果.
• 使用机器学习 (ML) 开发预后指数,以预测PTSD严重程度,抑郁症严重程度和治疗后心理社会功能障碍.
• 将ML模型的预测性能与基线症状严重程度的基准进行比较.

主要方法:

• 分析了接受webSTAIR的189名遭受创伤的退伍军人的样本.
• 机器学习模型是使用18个基线特征 (人口,军事,创伤,临床) 开发的.
• 模型性能与线性回归模型进行了比较,仅使用基线严重性得分作为预测因素.

主要成果:

• 无论是ML模型还是"仅严重程度"模型都显示出类似的预测性能,解释了39%-45%的结果差异.
• 较高的基线症状严重程度和功能障碍是治疗后结果更差的强有力的指标.
• 检查的额外基线特征并没有显著改善超出症状严重程度的预测准确性.

结论:

• 基线症状严重程度和功能是退伍军人的webSTAIR结果的强有力的预测指标.
• 这些发现支持使用基线严重程度作为这种数字干预的首要预后指标.
• 对于具有显著症状或损伤的退伍军人来说,webSTAIR可能是逐步护理模式的有效初步步骤.