充分利用时间序列症状数据:对基于互联网的CBT症状预测的机器学习研究

科学领域:

• 数字心理健康数字心理健康
• 临床心理学 临床心理学
• 机器学习在医疗保健中的应用

背景情况:

• 基于互联网的认知行为疗法 (ICBT) 是一种广泛使用的心理健康干预方法.
• 早期预测治疗结果对于优化精神卫生保健资源配置至关重要.
• 治疗期间的症状轨迹是最终结果的强有力的预测因素.

研究的目的:

• 调查依赖时间的预测模型是否在ICBT中优于依赖时间的模型来预测早期结果.
• 为了比较仅使用治疗前数据的预测准确度,与治疗前和早期治疗数据进行比较.

主要方法:

• 使用线性回归和随机森林 (时间独立) 和多层模型回归,混合效应随机森林和长短期记忆 (时间依赖) 模型.
• 在6436名ICBT患者的症状得分上采用了强大的多重归算和嵌套交叉验证.
• 使用两个数据场景评估治疗后结果的预测准确性: (a) 仅治疗前的时间点,以及 (b) 治疗前加三个治疗期间的时间点.

主要成果:

• 模型实现了14%-12%的RMSE和67-74%的均衡准确度,用于治疗后结果预测.
• 与时间独立模型相比,时间依赖模型没有显示出更高的准确性.
• 纳入早期治疗数据 (情景b) 提高了预测准确度,减少了RMSE的1.3%,并增加了6%的平衡准确度.

结论:

• 从ICBT中对早期症状得分进行预测模型的训练是预测结果的可行策略.
• 模型复杂度和数据特征的选择显著影响预测性能.
• 需要进一步的研究,通过理解模型复杂性和数据集特征之间的相互作用来优化预测模型.