Refine
Year of publication
- 2022 (2)
Document Type
- Article (2)
Has Fulltext
- yes (2) (remove)
Is part of the Bibliography
- no (2)
Keywords
- personalized psychotherapy (2) (remove)
Institute
Publisher
- F1000Research (1)
- Hogrefe (1)
This article provides details on the development of a statistical learning algorithm developed for constructing personalized treatment plans for psychotherapy. The algorithm takes data collected via Ecological Momentary Assessment (EMA) as an input. From this, it constructs an idiographic disorder model that reflects the latent dimensions of this patient’s psychopathology and their temporal interrelations. The priority of individual problems is derived from this statistical model. Based on this, treatment modules from cognitive-behavioral therapy are ranked so that the problems with the highest priority are dealt with first. A case study is used to illustrate the different analysis steps of the algorithm from data collection to the treatment plan.
In den letzten Jahrzehnten hat sich durch randomisiert-kontrollierte Studien (RCTs) eine breite Evidenzbasis von Psychotherapie mit mittleren bis großen Effekten für verschiedene psychische Störungen gebildet. Neben der Bestimmung dieser Wirksamkeit („Efficacy“) ebneten Studien zur Wirksamkeit unter alltäglichen Routinebedingungen („Effectiveness“) historisch den Weg zur Entwicklung eines praxisorientierten Forschungsparadigmas. Im Beitrag wird argumentiert, dass im Rahmen dieses Paradigmas praxisbasierte Studien eine wertvolle Ergänzung zu RCTs darstellen, da sie existierende Probleme in der Psychotherapieforschung adressieren können. In der gegenwärtigen praxisorientierten Forschung liefern dabei neue Ansätze aus der personalisierten Medizin und Methoden aus der ‚Computational Psychiatry‘ wichtige Anhaltspunkte zur Optimierung von Effekten in der Psychotherapie. Im Kontext der Personalisierung werden bspw. klinische multivariable Prädiktionsmodelle entwickelt, welche durch Rückmeldeschleifen an Praktiker_innen kurzfristig ein evidenzbasiertes Outcome-Monitoring ermöglicht und langfristig das Praxis-Forschungsnetzwerk in Deutschland stärkt. Am Ende des Beitrags werden zukünftige Richtungen für die praxisorientierte Forschung im Sinne des ‘Precision Mental Health Care’ -Paradigmas abgeleitet und diskutiert.