Looking into the Future: How to Use Advanced Statistical Methods for Predicting Psychotherapy Outcomes in Routine Care

Carl-Johan Uckelstam

jan. 2021 · Linköping Studies in Behavioural Science Bók 803 · Linköping University Electronic Press

Um þessa rafbók

Psychotherapy research has shifted from mainly focusing on the average effects of different treatments to concentrating more on questions related to the individual patient. When research attention shifts, it can give rise to the implementation of new statistical methods that, in turn, can illuminate new challenges that must be addressed.

The aim of the thesis was to study how traditional methods for predicting certain psychotherapy outcomes have been conducted in the past, and how more advanced statistical methods might be used to enhance knowledge of how to predict these outcomes today.

Three studies were performed: Paper I focused on how Multi Level Modeling (MLM) can be used to study certain aspects of the relationship between working alliance and treatment outcome. In Paper II, Latent Profile Analysis (LPA) and item-level analysis were used to give nuance to the relationship between psychological distress at baseline and change rate during treatment. Finally, in Paper III, Machine Learning (ML) was used to detect dropout patients in the early phase of treatment by exploring complex patterns of symptom distress during the early phase of treatment.

The thesis showed how different goals of scientific exploration can be studied in the context of routine care with the use of these statistical frameworks and discussed some of the challenges and opportunities worth noting when entering this line of research. 

Psykoterapiforskning har på senare tid gått från att fokusera på genomsnittliga effekter av olika behandlingsinriktningar, till att inrikta sig mer mot den enskilda patienten. När fokus förflyttas på det här sättet kan det leda till att nya statistiska metoder behöver tillämpas vilket i sin tur kan leda till nya utmaningar för psykoterapiforskaren.

Syftet med avhandlingen var att undersöka hur traditionella statistiska metoder har använts för att studera olika typer av psykoterapiutfall i rutinmässig vård, och hur mer avancerade statistiska metoder kan tillämpas för att öka kunskapen om hur dessa utfall kan prediceras.

Tre studier genomfördes. Studie I fokuserade på hur flernivåanalys kan användas för att studera relationen mellan arbetsallians och behandlingsutfall. I studie II användes latent profilanalys för att studera sambandet mellan psykologiska besvär vid det första besöket och symptomförändring under behandlingens gång. Slutligen, I studie III, tillämpades maskininlärning för att upptäcka patienter med risk att hoppa av behandlingen i förtid.

Sammanfattningsvis belystes i avhandlingen hur olika typer av vetenskapliga frågeställningar kan studeras i en klinisk kontext med hjälp av dessa statistiska ramverk samt några av de fördelar och begräsningar som är viktiga att notera när de tillämpas.