低强度认知行为治疗(LiCBT)的原理是，患者会自己思考问题，努力改变个人的认知方式，纠正不合理信念，从而缓解症状，并且习得适应性的应对策略以及其他处理消极情绪的技巧。不同于与专业认证的心理治疗师进行一对一咨询，低强度认知行为治疗方法主要通过看书、以及网络版的认知行为模拟练习进行自我训练，一般都是在“健康专业人员”的指导下进行。
低强度认知行为疗法可以减轻抑郁症和焦虑症的急性症状，但部分患者在治疗结束后出现复发。我们对复发风险因素知之甚少，这限制了我们预测复发的能力。
因此，研究者们开发了一种动态的预测工具，以确定案例的高复发风险。研究者们使用机器学习方法（自适应增强）分析来自LiCBT患者的纵向队列研究的数据。样本包括317例治疗完成者，他们每月随访12个月，其中有223例患者复发，复发率达到70%。为了以动态的方式来预测和调整估计的复发风险，在病人的治疗过程中，研究者们重点观察了四个独立的时间点。
结果发现，交叉验证设计的预测准确性指标具有足够的可推广性(AUC范围= 0.72-0.84;PPV范围= 71.2-75.3%;NPV范围= 56.0-74.8%)。年轻、失业、治疗反应和残留症状被认为是重要的预测因素。
机器学习算法使识别复发风险的病例成为可能。随着新信息的收集，预测的准确性也会随着时间的推移而提高。早期识别和有针对性的复发预防可以显著提高低强度认知行为疗法的长期疗效。
参考文献：
Lorimer B, Delgadillo J, Kellett S, Lawrence J.Dynamic prediction and identification of cases at risk of relapse following completion of low-intensity cognitive behavioural therapy.Psychother Res. 2020 Mar 1:1-14. doi: 10.1080/10503307.2020.1733127. [Epub ahead of print]
网友评论