Integrating Psychometric and Neurocognitive Biomarkers in Computational Models to Predict Cognitive Behavioral Therapy Outcomes in Adolescents with Anxiety and Depression
Notice bibliographique
Résumé
This study investigated the predictive relationships between psychometric indicators and neurocognitive biomarkers in determining Cognitive Behavioral Therapy (CBT) outcomes among adolescents diagnosed with anxiety and depressive disorders. A quantitative prospective longitudinal research design was employed to examine how psychological and cognitive factors contributed to variability in treatment response. The study sample consisted of 120 adolescents aged between 12 and 18 years who were receiving structured CBT interventions in outpatient clinical settings. Data were collected at pretreatment, midpoint, and posttreatment stages using standardized psychometric scales and neurocognitive assessment tasks. Psychometric variables included anxiety severity, depressive symptoms, cognitive distortions, behavioral avoidance, emotional regulation difficulties, and resilience, while neurocognitive variables included attention bias, executive control, working memory performance, cognitive flexibility, emotional reactivity, and reward sensitivity. Descriptive analysis indicated substantial reductions in symptom severity over the course of treatment, with mean anxiety scores decreasing from 31.42 (SD = 6.85) at pretreatment to 17.63 (SD = 5.27) at posttreatment, while depressive symptoms declined from 28.73 (SD = 7.11) to 16.84 (SD = 5.89). Approximately 65% of participants were classified as treatment responders, demonstrating clinically significant improvement following CBT. Correlation analysis revealed significant relationships between psychological variables and treatment outcomes. Behavioral avoidance (r = -0.37, p < 0.01) and emotional regulation difficulties (r = -0.33, p < 0.01) were negatively associated with treatment improvement, whereas resilience demonstrated a positive correlation with treatment outcomes (r = 0.36, p < 0.01). Hierarchical regression analysis indicated that psychometric variables explained 39% of the variance in CBT outcomes (R² = 0.39, p < 0.001). When neurocognitive predictors were incorporated, the explanatory power of the model increased to 52% of the variance (R² = 0.52, p < 0.001). Executive control (β = 0.34, p < 0.01) and cognitive flexibility (β = 0.28, p < 0.05) emerged as significant positive predictors of treatment improvement, while emotional reactivity (β = -0.22, p < 0.05) was negatively associated with therapy outcomes. These findings demonstrated that integrating psychometric and neurocognitive indicators improved the prediction of CBT effectiveness. The study highlighted the importance of considering cognitive functioning, emotional regulation capacity, and behavioral coping mechanisms when evaluating treatment outcomes in adolescent psychotherapy.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,002 | 0,001 |
| Science ouverte | 0,000 | 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 ».