Prediction of treatment outcome in patients receiving internet-delivered cognitive behavioural therapy for depressive and anxiety symptoms: a machine learning analysis of data from a healthcare-embedded longitudinal study
Notice bibliographique
Résumé
BACKGROUND: Digital therapeutics (DTx) show promise in bridging mental healthcare gaps. However, treatment selection often relies on availability and trial-and-error, prolonging suffering and increasing costs. Personalised prediction models could help identify individuals benefiting most from specific DTx. OBJECTIVE: The aim of this secondary analysis was to establish a machine learning-based prediction model for positive treatment outcomes in patients with depressive or anxiety symptoms after 8 weeks of internet-delivered cognitive behavioural therapy (iCBT). METHODS: We analysed a large real-world dataset of patients from the online therapy unit iCBT programme in Saskatchewan, Canada (2013-2021). Clinically significant changes in depressive symptoms or anxiety were measured using the Patient Health Questionnaire-9 (PHQ-9) and the Generalised Anxiety Disorder-7 (GAD-7). We trained six prediction models using sociodemographic and mental health-related factors at baseline, compared model performances and calculated Shapley values for feature importance. FINDINGS: Data from 4175 patients using 34 features for prediction, identified by least absolute shrinkage and selection operator regression, showed the Gradient Boosted Model (gbm) and logistic regression (log) performed best, with balanced accuracies of 0.76, 95% CI (0.70 to 0.83) and 0.70, 95% CI (0.63 to 0.77). Shapley values indicated GAD-7 scores at baseline as the most important predictor of clinically significant improvement, along with mental health history and sociodemographic variables. CONCLUSIONS: The gbm and log models achieved comparable accuracy in predicting clinically significant improvement after iCBT, supporting the use of simpler, interpretable methods in clinical practice. CLINICAL IMPLICATIONS: These findings could help improve mental health treatment selection, iCBT assignment, enhance effectiveness and optimise treatment for patients. TRIAL REGISTRATION NUMBER: NCT05758285.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».