CN111919261A - 一种改善心理治疗结果的方法 - Google Patents
一种改善心理治疗结果的方法 Download PDFInfo
- Publication number
- CN111919261A CN111919261A CN201980015161.9A CN201980015161A CN111919261A CN 111919261 A CN111919261 A CN 111919261A CN 201980015161 A CN201980015161 A CN 201980015161A CN 111919261 A CN111919261 A CN 111919261A
- Authority
- CN
- China
- Prior art keywords
- patient
- treatment
- patients
- therapist
- outcome
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种确定治疗师效力的方法,包括:获取与一个或多个患者的一个或多个患者变量和/或一个或多个服务变量相关的数据,所述一个或多个患者患有精神健康障碍并分配给治疗师;分配分数给每个患者变量和/或每个服务变量的数据,其中所述分数是基于历史队列治疗结果和包括队列患者和/或服务变量的历史队列数据之间的相关性;合并分数以计算总分;比较所述总分与量表,以产生一个或多个患者的心理治疗结果的预测;获得治疗师治疗后的一个或多个患者的心理治疗结果的观察;以及比较一个或多个患者心理治疗结果的观察和对心理治疗结果的预测,以确定治疗师的效力。
Description
背景技术
本发明涉及用于预测心理治疗结果的方法,尤其是基于计算机实施的方法。本发明还涉及治疗患有精神健康障碍的患者的方法,以及确定治疗师效力的方法。
常见的精神健康障碍包括抑郁和焦虑,其特点是强烈的情绪困扰,影响社交和职业功能。任何一年中,全世界大约有四分之一的成年人患有精神健康问题。在美国,精神疾病与所估计的每年2010亿美元的直接医疗系统成本有关,并且以每年6%的速度增长,快于每年4%的国内生产总值(GDP)增长率。加上每年1930亿美元的收入损失,估计每年的精神健康总成本将近4000亿美元。在英国,精神健康疾病与每年225亿英镑的服务费用和261亿英镑的年收入损失有关。由于这些原因,需要新的方法来改善循证治疗的机会,同时管理成本。
过去,与提供医疗服务相关的付款人成本是通过对服务利用率施加限制、提高保险费和高共同支付率来管理的,并根据可用性而不是适合性来分配患者进行治疗。认识到这些方法的局限性,正在研究多种替代方法,包括广泛采用聚焦恢复的临床模式、分级/分层护理系统、基于结果的补偿,以及发展个性化治疗方案,作为质量改进周期的一部分,旨在提高精神卫生保健的标准。
附图说明
如下所含附图是为了说明实施例的某些方面,不应被视为排他的实施例。能够对所公开的主题在形式和功能上进行相当大的修改、改变、组合和等价替换,正如本领域技术人员能够预见并受益于本发明想到的。
图1示出本发明的基于计算机实施方法的流程图。
图2示出治疗方案的时间表。
图3是基于评估时患者健康问卷(PHQ-9)评分和一般性焦虑症(GAD-7)评分,由完成基于互联网支持的认知行为(CBT)治疗的患者中计算得出的患者改善可能性图表。对于初始评估时的GAD7评分(Y轴)和初始评估时的PHQ9评分(X轴)的特定组合,临床改善的可能性用百分比表示,用较深的灰色单元格表示改善的可能性更高(百分比更高)。空白单元格表示无法计算改善的比例。
图4是基于评估时PHQ-9和GAD-7评分,由完成基于互联网支持的CBT治疗的患者中计算得出的患者恢复的可能性图。对于初始评估时的GAD7评分(Y轴)和初始评估时的PHQ9评分(X轴)的特定组合,临床恢复的可能性用百分比表示,由较深的灰色单元格表示较高的恢复可能性(更高的百分比),空白单元格表示无法计算恢复的比率。
图5示出与例2中呈现的数据相关的研究概况和患者流程图。
图6示出与例3中呈现的数据相关的治疗师的效力直方图。效力是由观察到治疗师的患者的总体恢复率(ORR)减去同一患者的预期ORR来确定的。观察到的ORR减去期望的ORR为负值表示治疗师的效力低于平均值,观察到的ORR减去期望的ORR为正值表示治疗师的效力高于平均值。
图7示出本发明方法的流程图。
图8示出用于执行本发明的基于计算机实施方法的系统。
图9a示出可构成图8系统一部分的装置。
图9b示出可构成图8系统一部分的服务器。
具体实施方式
本发明涉及用于预测心理治疗结果的多种基于计算机实施的方法。
基于互联网支持的认知行为治疗(IECBT)是一种高强度的在线治疗,用于改善心理疗法(IAPT)项目中。在使用IECBT的IAPT中,由一位被认可的治疗师每周向患者提供一对一的治疗,类似于面对面的治疗,同时保留在线服务的优势,包括便捷性、易访问性、增加信息公开度并缩短等待时间。IECBT还提供多个独特的数据监控机会,以识别患者和服务变量之间的关联,从而预测临床结果,分配治疗方案,并与按价值收费系统集成在一起。
图1示出本发明的基于计算机实施的方法100的流程图。首先,收集一个或多个患者变量102和/或一个或多个服务变量104作为输入。
多个示例性患者变量102包括,但不限于,(1)患者性别;(2)患者年龄;(3)患者是否长期身体状况不佳;(4)患者在治疗开始时是否服用精神药物(如抗抑郁药或抗焦虑药);(5)初始症状严重程度;(6)患者患有的精神健康障碍;(7)患者目前是否怀孕,或在过去12个月内已经怀孕或分娩;以及(8)患者就业状况。初始症状的严重程度可以使用,例如,但不限于,一般性焦虑症7项量表(GAD-7)、患者健康问卷(PHQ-9)和/或其他疾病特定的焦虑量表,如强迫症量表(OCI)、事件影响量表-修订版(IES-R),恐旷症移动性量表(AMI)、社交恐惧症量表(SPI)、惊恐障碍严重程度量表(PDSS)和健康焦虑量表(HAI)。
多个示例性服务变量104包括但不限于:(1)患者疗程中不同阶段之间的等待时间;(2)治疗持续时间;(3)患者未能参加已安排预约的次数;(4)分配给患者的治疗师;以及(5)患者收到的治疗方案。
多个患者变量102和多个服务变量104可以由患者、服务提供者(例如,医生、护士、技术人员或接待员)或计算机或计算机程序提供。例如,可以使用计算机或计算机程序跟踪患者已安排预约的出勤情况,在该程序中他们可以签到和退出已安排的预约。然后,计算机或计算机程序可以提供患者未能参加已安排预约的次数。或者,接待员或治疗师也可以类似地提供患者未能参加已安排预约的次数。
再次参考图1,在收集输入之后,方法100接着涉及将患者变量分数106分配给所提供的患者变量102,并将服务变量分数108分配给所提供的服务变量104。
使用逻辑回归模型,以心理治疗结果116作为预测变量对患者变量102和服务变量104进行预测。
将与多个患者变量102和多个服务变量104相关联的得分相加110以提供总分112,该总分112被使用114于产生心理治疗结果的预测116。总分112的使用114可任选地通过例如与结果量表或参考量表的比较来实现。心理治疗(例如,IECBT治疗)结果116的预测可以是改善的测量值和/或恢复的测量值。总分112可以表示为0到1之间的数字,这样,如果总分112接近0,心理治疗结果116的预测可能是改善和/或恢复的概率很低,换句话说,是差的心理治疗结果的预测;扩展来讲,如果总分112接近1,心理治疗结果116的预测可能是改善和/或恢复的概率很高,换句话说,是好的心理治疗结果的预测。用于与总分112进行比较的可选结果量表或参考量表可以是,例如定义一个或多个阈值,例如低于该阈值的总分可能无法预测患者在治疗后恢复/改善,或者高于该阈值的总分,患者将被预测为在治疗后恢复/改善。如本文所用,“改善”是定义为当患者表现出至少一个结果测量值显著降低(即,在GAD-7中降低4个点甚至更多和/或在PHQ-9中降低6个点或更多)的情况。
如本文所用,“恢复”是指当患者从高于病例状态转移到低于病例状态时。病例状态是定义为患者表现出具有临床意义的严重焦虑症状(GAD-7评分为8分或以上)或具有临床意义的严重抑郁症状(PHQ-9评分为10分或以上)。满足上述一个或两个条件被视为达到病例状态。
患者变量102的数量可以是一个或多个,例如一个、两个、三个、四个、五个或更多个患者变量102。同样,服务变量104的数量可以是一个或多个,例如一个、两个、三个、四个、五个或更多个服务变量104。一般而言,在方法100中收集作为输入的患者变量102和/或服务变量104的数量越大,心理治疗结果116的预测就越可靠。
多个患者变量102和/或多个服务变量104包含在预测患者临床(心理治疗)结果(如恢复/改善)的模型中。这一预测是基于将已接受治疗的患者特征与他们已知的结果关联的相关历史患者数据做出的,根据对结果的影响程度(例如,初始症状严重程度可能比年龄等其他变量对恢复的影响更大),对每个变量分配不同的权重。当一名新患者出现在服务中时,他们的特征(患者和/或服务变量)将与历史队列的那些特征进行比较,以计算代表该患者心理治疗结果的总分,例如,患者出现积极临床结果(恢复或改善)的可能性/概率。例如,将患者年龄与历史患者队列的年龄分布进行比较,以评估患者年龄在多大程度上影响好的或者差的临床结果(例如,高于队列平均值的较高年龄将有助于提高获得良好临床结果的可能性)。所有患者变量102和服务变量104以相同的方式进行评估,并且算法产生总分112,该分数考虑了所有这些个体比较,从而对该患者的心理治疗结果116产生总体预测。
心理治疗结果116的预测可由该方法用于实施特定动作,例如分配治疗方案。
任选地,心理治疗结果116的预测可用于分配治疗方案118。例如,治疗方案118可以包括一对一或面对面的会面频率,在多个疗程之间的异步消息传递频率,对精神药物的潜在需求,或作为治疗(例如,IECBT)方案一部分,由特定治疗师治疗。例如,与心理治疗结果预测为差(即恢复和/或改善的可能性低)的患者相比,心理治疗结果预测为好(即恢复和/或改善的可能性高)的患者可被分配到一对一或面对面会面更少的治疗方案118。在这种情况下,“好”的心理治疗结果的预测意味着高于平均水平,而“差”的心理治疗结果的预测意味着低于平均水平。换言之,对于使用该方法给出的高于平均心理治疗结果(即恢复和/或改善的可能性高)的预测的患者,与使用该方法低于平均心理治疗结果(即恢复和/或改善的可能性低)的预测的患者相比,可能被分配到,一对一或面对面会面(治疗疗程)的频率更少或更低的治疗方案118。通过这种方式,患者可以得到合适的治疗,并且治疗提供者不会给在接受治疗后可以获得高的改善可能性的患者提供过度治疗而产生不必要的费用。
量表可以是从0到1的范围,其中0表示没有恢复和/或改善的可能性,1表示确定可以恢复和/或改善。在这样的量表中,患者的总分值等于或大于0.5意味着患者具有平均或高于平均水平的恢复和/或改善的可能性,即心理治疗结果的预测为“好”。患者的总分值小于0.5意味着患者恢复和/或改善的可能性低于平均水平,即心理治疗结果的预测为“差”。
可以以任意适当的方式确定阈值(或标准),以便对心理治疗结果的不同预测提供有意义的区别。对于不同的控制水平,可以按照期望确定更多或更少的阈值/标准。来自已知结果(如恢复)的患者队列的数据可用于设置(多个)阈值/标准;(多个)阈值/标准可应用于匹配队列中的新患者。适当地,在方法中的多个可能行动中的一个行动的成本存在差异的情况下,可以使用成本/收益分析来确定(多个)阈值/标准。因此,可以设定(多个)阈值/标准以最大限度地提高患者的疗效,同时最小化治疗服务的成本。在上述从0到1的量表示例中,0.5表示恢复和/或改善的平均可能性,阈值/标准也可设置为与0.5的总分相关。在该实例中,心理结果的预测为“好”的所有患者(即得分为0.5或更高的患者)可分配到一种治疗方案,而心理结果的预测为“差”的所有患者(即得分小于0.5的患者)可分配到一种不同的治疗方案。对心理结果的预测为“好”的患者的示例性治疗方案可包括提供阅读(自助)材料和/或低频率/次数的一对一治疗疗程(例如每周一次,持续四周),然而,对于心理结果的预测为“差”的患者,示例性治疗方案可能包括高频率/多次数的一对一治疗(例如,每周两次,持续六周)。进一步可酌情设置多个阈值/标准,例如,患者的总分值等于或小于0.25可能意味着患者对心理治疗结果的预测“非常差”;例如,此类患者可被分配到第三种治疗方案,其中经验丰富的治疗师提供高频率/多次数的一对一治疗疗程(例如,每周两次,持续六周),此外,还可提供对精神药物潜在需求的指示。
该方法的行为实例包括但不限于:针对患者的特定治疗方案的推荐或启动的输出,合适的治疗方案可以包括具体频率的一对一或面对面会面,或者具体频率的异步消息传送;针对患者的特定治疗师的推荐或分配的输出;针对患者的阅读(如自助)材料的推荐或提供的输出;针对患者的一种或多种(精神)药物的潜在需求的推荐或指示的输出。
因此,由该方法提供的心理治疗结果的预测可以构成治疗患者的方法的一部分,该方法可以包括:获得与患有精神健康障碍的患者的一个或多个患者变量和/或一个或多个服务变量相关的数据;将分数分配给每个患者变量和/或服务变量的数据,其中该分数基于历史队列治疗结果和包括队列患者和/或服务变量的历史队列数据之间的相关性;将合并分数以计算总分;将总分与量表进行比较,以产生对患者心理治疗结果的预测;并且根据治疗方案对患者进行治疗,其中该治疗方案是基于患者心理治疗结果的预测和一个或多个阈值/标准的比较来确定的,其中一个或多个阈值/标准是根据历史队列治疗结果和历史队列数据之间的相关性得出的。
此外,如果本发明的方法导致患者低于平均水平(心理)治疗结果的预测,则该方法的进一步步骤可包括该患者的特定“风险变量”的确定。然后,该方法可实施由所识别的特定风险变量修改的操作。示例性的风险变量可能包括存在长期的身体状况不佳(身体共病),或者在年龄方面处于最低的四分位数。可通过与历史队列数据的比较来确定合适的风险变量。以恢复可能性低于平均水平且身体状况长期不佳的患者为例,他们可能被分配针对身体状况不佳背景下以心理问题为目标的具体治疗方案。因此,可向患者提供量身定制的治疗方案,增加患者恢复的可能性,并将治疗服务的成本降至最低。
参考图7,由该方法提供的心理治疗结果的预测也可以构成确定治疗师效力的方法300的一部分,包括:获取与一个或多个患有精神健康障碍的患者的一个或多个患者变量102和/或一个或多个服务变量104相关的数据并分配给治疗师;将分数106、分数108分配给每个患者的每个患者变量和/或服务变量的数据,其中分数基于历史队列治疗结果与包括队列患者和/或服务变量的历史队列数据之间的相关性;组合110多个分数以计算每个患者的总分112;将总分与量表114进行比较,以产生针对所述一个或多个患者的心理治疗结果116的预测;获得经治疗师治疗后针对所述一个或多个患者的心理治疗结果的观察302已经被提供;并比较304一个或多个患者的心理治疗结果的观察与心理治疗结果的预测,以确定治疗师的效力306。如果在确定治疗师的效力的方法中使用了来自多个患者的数据,则可以在方法的不同点汇集数据。例如,可以对多个患者的心理治疗结果进行预测(以产生“预期总体恢复率”(ORR)),并且可以对同一批患者的心理治疗结果进行观察(以产生观察到的预期恢复率(ORR)),然后从观察到的ORR减去预期的ORR来确定治疗师的效力。或者,对于每个由特定治疗师治疗的患者,从对该患者的心理治疗结果的观察减去对该患者的心理治疗结果的预测。将每个由治疗师治疗的患者的上述结果值平均以确定治疗师的效力。如果治疗师的效力的确定值为正值,则表示治疗师的表现优于预期;因此,治疗师被视为“最有效力的”,当其具有负值时,则表示治疗师的表现比预期差;因此,治疗师被认为是“最无效力的”。当对治疗师的效力的确定值等于零时,这意味着治疗师的表现与发明方法所预测的完全一致。
治疗师的效力的确定值可作为采取308一个或多个行动310的基础。适当的行动可能包括但不限于:(1)向治疗师提供额外的培训材料,(2)对治疗师启动额外的监督,(3)启动对治疗师进行进一步的培训,以及(4)将患者由该治疗师重新分配给一个或多个其他治疗师。例如,如果对治疗师效力的确定有一个负值(治疗师的表现比预期的差),那么可以采取上述任何一种行动来改善治疗师未来的表现(向治疗师提供额外的培训材料;启动对治疗师进一步的培训)或减轻表现不佳的治疗师对未来患者的潜在负面影响(启动对治疗师的额外监督;将患者由该治疗师重新分配给一个或多个其他治疗师)。因此,提供给患者的治疗质量随着时间的推移而提高,使患者、治疗师、治疗服务和治疗服务的付费方都受益。
确定治疗师效力的方法可以通过包含指令程序的非暂时的、有形的、计算机可读的存储介质来提供,该指令程序使运行指令程序的计算机系统执行该方法。计算机系统可以包括一个或多个移动设备。当由该方法接收的数据来自一个以上硬件源时,此类硬件源可以包括一个或多个移动设备。
图2示出治疗方案118的时间线220。还继续参考图1,本发明的基于计算机实施的方法100可以在沿时间线200的一个或多个点处实现。例如,基于计算机实施的方法100可以在实施治疗方案118之前实现(例如,在初始评估222时)。可选地或另外地,基于计算机实施的方法100可以在治疗方案118期间实现(例如,在时间点224和/或时间点226)。在这些稍后的时间点224、226期间,患者变量102(如果有效)可以被更新作为输入,并且相对于当前治疗方案118的服务变量104可以被用作输入。然后,本发明的基于计算机实施的方法100可以提供相对于当前治疗方案118的心理治疗结果116的预测。在一些情况下,如果需要,治疗方案118可以改变为可选地由本发明公开的方法100确定的第二治疗方案118'。
基于计算机实施的方法100可继续实施以沿着任一治疗方案118或118'监测患者的进展。例如,在一些实例中,可以计算两次或更多次(包括最初和/或在治疗期间)心理治疗结果116的预测,其中对不同时间心理治疗结果116的预测的比较228可以用作心理治疗的质量230的度量。
再次参考图1,在某些情况下,当使用按价值收费系统时,心理治疗的质量230可用于确定与患者护理相关联的补偿232。
用于实现与本文所述的方法100、300相关的各种说明性块、模块、元件、组件、方法和算法的系统和相应的计算机硬件可以包括处理器,其被配置成执行存储在非暂时性计算机可读介质上的一个或多个指令序列、编程实例或代码。处理器可以是,例如,通用微处理器、微控制器、数字信号处理器、专用集成电路、现场可编程门阵列、可编程逻辑器件、控制器、状态机、门控逻辑、离散硬件组件、人工神经网络,或任何合适的可以执行数据计算或其他数据处理的实体。在一些实施例中,计算机硬件可进一步包括诸如存储器(例如,随机存取存储器(RAM)、闪存、只读存储器(ROM)、可编程只读存储器(PROM)、可擦除只读存储器(EPROM))、寄存器、硬盘、可移动磁盘、CD-ROMS、DVDs等元件,或任何其他类似的合适的存储设备或介质。在本发明任何方面的一些实施例中,系统可以包括分布式系统,其中与本文描述的方法100相关的各种说明性块、模块、元件、组件、方法和算法可以在分布式计算机/计算设备/硬件源上执行。示例性分布式计算机/计算设备/硬件源可以是移动或便携式设备,例如平板电脑、智能手机、智能手表、笔记本电脑等,因此本文所述的方法100可以至少部分地在分布式的平板电脑、智能手机、智能手表、笔记本电脑等远程设备上执行。分布式系统还可以包括中央计算机服务器,并且可以使用云计算方法,因此本文描述的方法100可以至少部分地在中央计算机服务器上执行,并且可以使用云计算。本文中使用的“计算机”可以理解为包括分布式计算系统(例如,一个或多个联网的计算机/设备/硬件源),其可以进一步包括云计算系统。参考图8,用于执行本发明的基于计算机实施的方法的基于计算机的系统1包括可经由网络系统4连接到服务器3的多个设备21…2N。每个设备2可以是移动设备,例如笔记本电脑、平板电脑、智能手机、智能设备、智能扬声器、可穿戴设备等。每个设备2可以是(名义上的)非移动设备,例如台式计算机等。每个设备2可以是任何合适的类型,例如无处不在的计算设备等。
参考图9a,(典型的)设备2包括一个或多个处理器2a、内存2b、存储器2c、一个或多个网络接口2d和一个或多个用户接口(UI)设备2e。一个或多个处理器2a通过一个或多个总线2f直接或经由一个或多个接口(未显示)与设备2的其他元件通信。内存2b包括诸如动态随机存取存储器之类的易失性存储器。除此之外,例如当控制设备2的其他元件的操作时或当在设备2的元件之间移动数据时,易失性存储器被一个或多个处理器2a用于临时数据存储。内存2b还包括诸如闪存的非易失性存储器。除此之外,非易失性存储器可以存储基本输入/输出系统(BIOS)。存储器2c包括诸如固态存储器和/或一个或多个硬盘驱动器。存储器2c存储计算机可读指令(SW)13。计算机可读指令13包括系统软件和应用软件。应用软件优选包括web浏览器软件应用(以下简称为web浏览器)等。存储器2c还存储数据14以供设备2使用。一个或多个网络接口2d与一个或多个类型的网络通信,例如以太网网络、无线局域网、移动/蜂窝数据网络等。一个或多个用户接口设备2e优选地包括显示器,并且可以包括诸如扬声器之类的其他输出设备。一个或多个用户接口设备2e优选地包括键盘、指针设备(例如鼠标)和/或触摸屏,并且可以包括诸如麦克风、传感器等的其他输入设备,因此设备2能够为例如患者或治疗师提供用户界面。
参考图9b,(典型的)服务器3可以包括一个或多个处理器3a、内存3b、存储器3c、一个或多个网络接口3d和一个或多个总线3f。服务器3的元件类似于上述设备2的相应元件。存储器3c存储与服务器3相关联的计算机可读指令(SW)15(包括系统软件和应用软件)和数据16。应用软件优选地包括web服务器等。服务器3可以不同于上述服务器3。例如,服务器3可以对应于虚拟机、云计算系统的一部分、计算机集群等。
再次参考图8,网络系统4优选地包括多个网络,包括一个或多个局域网(例如以太网网络、Wi-Fi网络)、一个或多个移动/蜂窝数据网络(例如第二代、第三代、第四代网络)和因特网。每个设备2可经由网络系统4至少一部分连接到服务器3。因此,每个设备2能够向服务器3发送和从服务器3接收数据(例如,构成消息的数据)。
本文所述的可执行序列可以用包含在内存中的一个或多个代码序列(例如,用于实现本发明的一个或多个方法100的一组指令)来实现。在一些实施例中,可以从另一个机器可读介质中将这样的代码读取到内存内。执行内存中包含的指令序列可以使得处理器执行本文所述的处理步骤。多处理配置中的一个或多个处理器也可用于执行内存中的指令序列。另外,可以使用硬接线电路来代替或结合软件指令来实现本文所述的各种实施例。因此,本实施例不限于硬件和/或软件的任何特定组合。
如本文所用,机器可读介质指直接或间接地向处理器提供指令以供执行的任何介质。
机器可读介质可以具有多种形式,例如,非易失性介质、易失性介质和传输介质。非易失性介质可以包括,例如光盘和磁盘。易失性介质可以包括,例如动态存储器。传输介质可以包括同轴电缆、电线、光纤和构成总线的电线。常见形式的机器可读介质可以包括例如软盘、软磁盘、硬盘、磁带、其他如磁性介质、CD-ROMs、DVDs、其他如光学介质、穿孔卡、纸带和类似具有图案孔的物理介质、RAM、ROM、PROM、EPROM和闪存EPROM(flash EPROM)。
优选的,可以通过由患者、智能服务提供者等远程(例如,通过电脑,智能手机或其他可计算设备)提供和/或更新一个或多个患者变量102和/或一个或多个服务变量104的系统方法实施这里所述的方法100。然后,可以将数据传送到执行本文所述的一个或多个分析方法100的中央计算机。在这种情况下,还可以在中央计算机上提供和/或更新一个或多个患者变量102和/或一个或多个服务变量104。在本实例中,接收到的数据来自一个以上硬件源。
或者,患者变量102和服务变量104可被输入到执行本文所述的一个或多个分析方法100的中央计算机。应当理解,这里使用的“中央计算机”可以包括在网络或云计算设置中操作的不止一台的计算机或处理器。
在某些情况下,可以使用云计算方法来实现本文所述的方法100。在一些实例中,本文所述的方法100可以(至少部分地)在远程设备上使用web浏览器实现,在其他实例中,方法100可以(至少部分地)使用一台或多台远程设备上的应用(应用软件)实现。
除非另有说明,否则表示本说明书和相关权利要求中使用的例如患者变量、服务变量、总分等数量的所有数字应理解为在所有情况下都通过增加术语“大约”而被修改。因此,除非另有相反说明,在以下说明书和所附权利要求中阐述的数值参数是可能根据本发明实施例寻求获得的期望特性而变化的近似值。至少,每个数值参数至少应根据报告的有效位数和采用普通舍入技术进行解释,而不是试图限制等同原则在权利要求范围上的适用。
本文提出了一个或多个包含本发明实施例的说明性实施例。为了清楚起见,并不是实体实现的所有特性都在这个应用程序中描述或显示。应理解,在结合本发明实施例的实体实施例的开发中,必须做出许多具体实现的决策以实现开发者的目标,例如遵守系统相关、业务相关、政府相关和其他约束,这些约束因实施细节不同并不时会发生变化。虽然开发人员的努力可能是耗时的,但是,对于本领域的普通技术人员和受益于本发明的人员来说,此类工作将是一项常规工作。
虽然在本文中以“包含”各种成分或步骤来描述组合物和方法,但是所述组合物和方法也可以“基本上包括”或“包括”各种成分和步骤组成。
在第一方面,本发明提供了一种心理治疗结果的预测的方法,包括:获得与患者的一个或多个患者变量和/或一个或多个服务变量相关的数据;将分数分配给给每个患者变量和/或服务变量的数据;合并分数计算总分,并用总分做心理治疗结果的预测。
在根据本发明任一方面的一个实施例中,该方法是基于计算机实施的方法。
在一个实施例中,该方法还包括:基于心理治疗结果的预测为患者分配治疗方案。
在另一实施例中,该方法还包括:在实施心理治疗之前评估一般性焦虑症7项(GAD-7)得分和/或患者健康问卷(PHQ-9)得分,其中GAD-7得分和/或PHQ-9得分作为一个或多个患者变量包括在内。
在一个实施例中,根据本发明方法的心理治疗包括基于互联网支持的认知行为治疗。
在另一实施例中,患者患有精神健康障碍,其中所述障碍可选地包括从以下组中选择:(1)抑郁,(2)焦虑和抑郁混合,(3)广泛性焦虑症,(4)社交恐惧症,(5)恐慌症,(6)强迫症,(7)创伤后应激障碍,(8)恐旷症,(9)特定恐惧症,以及(10)其他焦虑症。
在一个实施例中,一个或多个患者变量包括从以下组中选择的变量,该组包括:(1)患者性别;(2)患者年龄;(3)患者是否患有长期的身体状况;(4)患者在治疗开始时是否服用精神药物;(5)初始症状严重程度;(6)患者患有的精神健康障碍;(7)患者目前是否怀孕,或是否在过去12个月内已经怀孕或分娩;以及(8)患者就业状况。适当地,一个或多个患者变量包括从以下组中选择的变量,该组包括:(1)患者性别;(2)患者年龄;(3)患者是否患有长期的身体状况;(4)患者在治疗开始时是否服用精神药物;(5)初始症状严重程度。
在另一实施例中,一个或多个服务变量包括从如下组中选择的变量,该组包括:(1)患者治疗过程中不同阶段之间的等待时间;(2)治疗持续时间;(3)患者未能参加已安排预约的次数;(4)分配给患者的治疗师;以及(5)患者收到的治疗方案。适当地,一个或多个服务变量包括从如下组中选择的变量,该组包括:(1)患者治疗过程中不同阶段之间的等待时间;(2)治疗持续时间;(3)患者未能参加已安排预约的次数。
在一个实施例中,心理治疗结果的预测是改善的度量和/或恢复的度量。
在根据本发明任一方面的一个实施例中,该方法还包括在心理治疗期间执行该方法两次以获得心理治疗结果的第一预测和心理治疗结果的第二预测;比较心理治疗结果的第一预测和心理治疗结果的第二预测;以及计算心理治疗质量的度量。适当地,该方法还可以包括基于心理治疗质量的度量计算按价值收费系统中对心理治疗的补偿值。
在另一方面,本发明提供了一种数据处理装置/设备/系统,其包括执行根据本发明的任何方面或实施例方法的多个步骤的装置,可选地,其中数据处理装置/设备/系统包括一个或多个移动设备。
在另一方面,本发明提供了一种计算机程序,其包括当程序由计算机执行时,使计算机执行根据本发明任何方面或实施例的方法中多个步骤的指令。
在另一方面,本发明提供一种计算机可读存储介质,其包括当由计算机执行时,使计算机执行根据本发明任何方面或实施例的方法中多个步骤的指令。
在另一方面,本发明提供了一种非暂时的、有形的、计算机可读的存储介质:包含指令程序,该指令程序使计算机系统运行指令程序:接收针对患者的一个或多个患者变量和/或一个或多个服务变量有关的数据;将分数分配给每个患者变量和/或服务变量的数据;合并分数计算总分;将总分与结果量表进行比较,以获得心理治疗结果的预测。
在非暂时的的、有形的、计算机可读的存储介质的一个实施例中,指令程序进一步使运行指令程序的计算机系统基于心理治疗结果的预测向患者分配治疗方案。
在暂时的、有形的、计算机可读的存储介质的另一个实施例中,指令程序进一步使运行指令程序的计算机系统在心理治疗期间两次执行该方法,以获得心理治疗结果的第一预测和心理治疗结果的第二预测;比较心理治疗结果的第一预测和心理治疗结果的第二预测;计算心理治疗质量的度量。适当地,指令程序可以进一步使运行指令程序的计算机系统基于心理治疗质量的度量在按价值收费系统中计算对心理治疗的补偿值。
在暂时的、有形的、计算机可读的存储介质的另一个实施例中,接收的数据来自一个以上的硬件源,任选地,其中一个或多个硬件源包括移动设备。
在另一方面,本发明提供针对(治疗)患者的心理治疗的一种基于计算机实施的方法,该方法包括:获得与患有精神健康障碍的患者的一个或多个患者变量和/或一个或多个服务变量相关的数据;将分数分配给每个患者变量和/或服务变量的数据,其中该分数基于历史队列治疗结果和包括队列患者和/或服务变量的历史队列数据之间的相关性;合并分数以计算总分;将总分与量表进行比较以产生对患者的心理治疗结果的预测;并且根据治疗方案向患者提供心理治疗,其中治疗方案是基于对患者心理治疗结果的预测和一个或多个阈值/标准的比较而确定的治疗方案,其中一个或多个阈值/标准根据历史队列治疗结果和历史队列数据之间的相关性得出。
在另一方面,本发明提供一种数据处理装置/设备/系统,其包括用于执行提供针对(治疗)患者的心理治疗的基于计算机实施的方法中的多个步骤的装置,其中可选地,所述数据处理装置/设备/系统包括一个或多个移动装置。
在另一方面,本发明提供一种计算机程序(产品),其包括当程序由计算机执行时,使计算机执行提供针对(治疗)患者的心理治疗的基于计算机实施的方法中的多个步骤。
在另一方面,本发明提供一种计算机可读存储介质,其包括当由计算机执行时,使计算机执行提供针对(治疗)患者的心理治疗的基于计算机实施的方法中的多个步骤。
在另一方面,本发明提供了一种治疗患者的方法,包括:获得与患有精神健康障碍的患者的一个或多个患者变量和/或一个或多个服务变量相关的数据;将分数分配给每个患者变量和/或服务变量的数据,其中分数是基于历史队列治疗结果和包括队列患者和/或服务变量的历史队列数据之间的相关性;合并分数以计算总分;将总分与量表进行比较,以产生患者的心理治疗结果的预测;以及根据治疗方案来治疗患者,其中该治疗方案是基于对患者的心理治疗结果的预测以及一个或多个阈值/标准而确定的,其中一个或多个阈值/标准是根据历史队列治疗结果和历史队列数据之间的相关性得出的。
在治疗患者的方法的一个实施例中,治疗方案包括从以下组中选择的一个或多种治疗:(1)一对一或面对面会面的具体频率;(2)异步消息传送的具体频率;(3)自助材料的提供;(4)精神药物的潜在需求的指示;以及(5)特定治疗师的分配。
在治疗患者的方法的另一实施例中,该方法还包括:在实施心理治疗之前评估一般性焦虑症7项(GAD-7)得分和/或患者健康问卷(PHQ-9)得分,其中,GAD-7得分和/或PHQ-9得分作为一个或多个患者变量被包括在内。
在治疗患者的方法的另一实施例中,心理治疗包括基于互联网支持的认知行为治疗。
在治疗患者的方法的另一实施例中,心理健康障碍包括从以下组中选择的疾病:(1)抑郁,(2)焦虑和抑郁混合,(3)广泛性焦虑症,(4)社交恐惧症,(5)恐慌症,(6)强迫症,(7)创伤后应激障碍,(8)恐旷症,(9)特定恐惧症,以及(10)其他焦虑症。
在治疗患者的方法的另一实施例中,一个或多个患者变量包括从以下组中选择的变量:(1)患者性别;(2)患者年龄;(3)患者是否患有长期身体状况不佳;(4)患者开始时是否服用精神药物治疗方面;(5)初始症状严重程度;(6)患者所患的精神健康障碍;(7)患者目前是否怀孕,或在过去12个月内是否已经怀孕或分娩;以及(8)患者就业状况。
在治疗患者的方法的另一实施例中,一个或多个服务变量包括从以下组中选择的变量:(1)患者治疗过程种不同阶段之间的等待时间;(2)治疗持续时间;(3)患者未能参加已安排预约的次数,(4)分配给患者的治疗师;以及(5)患者收到的治疗方案。
在治疗患者的方法的另一实施例中,对患者的心理治疗结果的预测是改善的度量和/或恢复的度量。
在治疗患者的方法的另一实施例中,所述方法还包括在心理治疗期间执行该方法两次,以获得针对所述患者的心理治疗结果的第一预测和针对所述患者的心理治疗结果的第二预测;将患者的心理治疗结果的第一预测和第二预测进行比较;并利用心理治疗结果的第一和第二预测的比较来计算心理治疗质量的测量值。适当地,治疗患者的方法还可以包括基于心理治疗质量的测量值,在按价值收费系统中计算对心理治疗的补偿值。
在治疗患者的方法的另一实施例中,该方法还包括在开始治疗方案后的一个时间获取与患者的一个或多个患者变量和/或一个或多个服务变量相关的第二数据;将第二分数分配给每个患者变量和/或服务变量的第二数据;合并第二分数来计算第二总分;使用第二总分以获得对患者的心理治疗结果的第二预测;根据第二治疗方案治疗患者,其中第二治疗方案是基于患者的心理治疗结果的第二预测确定的。
在治疗患者的方法的一个实施例中,该方法还包括确定患者是否患有长期的身体状况不佳;并且根据治疗方案治疗患者,其中该治疗方案是基于对患者的心理治疗结果的预测和患者是否患有长期的身体状况不佳确定的。
另一方面,本发明提供了一种确定治疗师效力的基于计算机实施的方法,该方法包括获取与一个或多个患有精神健康障碍的患者的一个或多个患者变量和/或一个或多个服务变量相关的数据,并分配给治疗师;将分数分配给每个患者变量和/或服务变量的数据,其中分数是基于历史队列治疗结果和包括队列患者和/或服务变量的历史队列数据之间的相关性;合并分数以计算总分;将总分与量表进行比较,以产生一个或多个患者的心理治疗结果的预测;获得治疗师治疗后的一个或多个患者的心理治疗结果的观察;比较心理治疗结果的观察和心理治疗结果的预测,以确定一个或多个患者的治疗师的效力。
在另一方面,本发明提供了一种数据处理装置/设备/系统,用于执行确定治疗师效力的基于计算机实施的方法中多个步骤,其中数据处理装置/设备/系统可选地包括一个或多个移动装置。
在另一方面,本发明提供了一种包括指令的计算机程序(产品),当程序由计算机执行时,使计算机执行确定治疗师效力的基于计算机实施的方法中多个步骤。
在另一方面,本发明提供一种计算机可读存储介质,其包括当由计算机执行时,使计算机执行确定治疗师效力的基于计算机实施的方法中多个步骤。
在另一方面,本发明提供了一种确定治疗师效力的方法,包括:获得与一个或多个患有精神健康障碍的患者的一个或多个患者变量和/或一个或多个服务变量相关的数据,并分配给治疗师;将分数分配给每个患者变量和/或服务变量的数据,其中该分数基于历史队列治疗结果和包括队列患者和/或服务变量的历史队列数据之间的相关性;合并分数以计算总分;将总分与量表进行比较,以产生一个或多个患者的心理治疗结果的预测;获得治疗师治疗后的一个或多个患者的心理治疗结果的观察;比较心理治疗结果的观察和心理治疗结果的预测,以确定一个或多个患者的治疗师的效力。
在确定治疗师效力的方法的一个实施例中,该方法还包括基于所确定的治疗师的效力采取行动。适当地,该行动包括从以下组中选择的一个行动:(1)向治疗师提供额外的培训材料;(2)启动对治疗师的额外监督;(3)启动对治疗师的进一步培训;(4)在按价值收费系统中计算心理治疗的补偿值;以及(5)将患者由当前治疗师重新分配给一个或多个其他治疗师。
在本发明任一方面的一些实施例中,该方法的每一步都可以以分步的方式执行。本领域技术人员将理解,在本发明任何方面的其他实施例中,可以以任何实际顺序执行该方法的多个步骤。或者,可以同时执行两个或多个步骤。
在另一方面,本发明提供了一种非暂时的、有形的、计算机可读的存储介质:包含指令程序,该指令程序使得计算机系统运行指令程序去:接收与一个或多个患有心理健康障碍患者的一个或多个患者变量和/或一个或多个服务变量有关的数据,并分配给治疗师;将分数分配给每个患者变量和/或服务变量的数据,其中分数基于历史队列治疗结果和包括队列患者和/或服务变量的历史队列数据之间的相关性;合并分数计算总分;将总分与量表进行比较,以产生一名或多名患者的心理治疗结果的预测;接收进一步数据,该数据相关于治疗师治疗后的一个或多个患者的心理治疗结果的观察;比较这一个或多个患者的心理治疗结果的观察和心理治疗结果的预测,以确定治疗师的效力。
在非暂时的、有形的、计算机可读的存储介质的一个实施例中,指令程序进一步使运行指令程序的计算机系统去:基于所确定的治疗师的效力采取行动。适当地,该行动包括从以下组中选择,所述组包括:(1)向治疗师提供额外的培训材料;(2)启动对治疗师额外的监督;(3)启动对治疗师进行进一步的培训,(4)将患者由该治疗师重新分配给一个或多个其他治疗师,(5)在按价值收费系统中计算心理治疗的补偿值。
在非暂时的、有形的、计算机可读的存储介质的一个实施例中,接收的数据来自一个以上的硬件源,可选地,其中硬件源包括移动设备。
为了更好地理解本发明的实施例,下面给出了优选或代表性实施例的示例。在任何情况下,不应阅读以下示例来限制或定义本发明的范围。
实例
例1
方法:对2015年4月至2016年3月期间接受IECBT或标准护理治疗的患者的数据进行分析。
IECBT使用一个商业软件包交付给4468名患者,该软件包最初是为英国国家卫生服务局开发的,并且目前由其使用,由怡素数字健康有限公司(Ieso Digital Health)提供。患者自行转诊或由初级保健人员直接转诊到服务机构。英国国家卫生与临床优化研究所(NICE)批准的CBT疗法基于贝克安(Beckian)模型和罗斯(Roth)以及菲力(Pilling)的CBT能力框架,由英国行为和认知心理治疗协会(BABCP)认证合格的CBT治疗师通过即时同步消息在安全的在线治疗室中提供。作为IECBT疗法的一部分,在多次预约之间,治疗师和患者之间交换异步信息和家庭作业任务,促进参与和坚持循证治疗模式。
接受标准护理的参考组包括1299525名在英格兰接受IAPT服务以治疗精神健康障碍的患者。这包括面对面和在线治疗服务。标准护理组数据摘自IAPT 2015/2016年度报告。两个队列的详细信息参见表1。
表1–采用多变量排斥采样方法,2015年4月至2016年3月间结束一个疗程的两个患者队列的人口统计学和严重程度详情。基于互联网支持的CBT队列与标准护理队列在严重程度上很匹配。如下术语“SD”指标准偏差。
通过IAPT最小数据集获取的信息旨在对国家政策/立法的实施和效力的监测、政策制定、绩效分析和基准、国家分析和统计以及对IAPT服务的国家审计的支持。登记时,患者同意服务条款和条件,包括使用匿名数据支持研究,包括学术出版物或会议报告。
临床疗效分析:对于治疗效果分析,比较两组患者在治疗参与度、临床恢复和改善方面的临床结果。参与度是衡量患者是否参与治疗的二元度量(即0或1)。如果患者参加了两次或两次以上的治疗,则被归类为参与治疗。每组的参与率计算为参与的患者数除以给定时间段内出院的患者总数。
根据患者在初始评估时完成的两项严重程度测量和每个疗程(完成率95%)计算临床恢复和改善:分别对应焦虑和抑郁症状的GAD-7和PHQ-9。
GAD-7是广泛性焦虑症的七项筛查和严重程度测量。在IAPT的指导下,GAD-7(范围0-21)得分为8分或以上的患者被认为患有具有临床意义的焦虑症状。这被称为会面病例。在两个时间点之间GAD-7量表减少4分或更多,表明症状严重程度在统计学上被认为有可靠的改善。PHQ-9是一个9项测量,旨在促进抑郁症的筛查和严重程度评估。在IAPT的指导下,PHQ-9(范围0-27)得分为10分或以上的患者被认为患有临床上显著的抑郁症状。在两个时间点之间PHQ-9量表减少6分或更多,表明症状严重程度在统计上被认为有可靠的改善。如果一名患者在最初评估时对上述一项或两项指标的得分高于病例数(即GAD-7评分为8分或以上,PHQ-9评分为10分或以上),则将其归类为评估时的会面病例。其他症状严重程度指标,如焦虑症亚型的严重程度评分,没有被考察,因为只在IAPT框架内强制收集GAD-7和PHQ-9。
对于参与治疗的患者,使用在初始评估和最后一次治疗阶段的GAD-7和PHQ-9评分之间差异来确定患者的恢复状态。恢复是一个二元度量。参与治疗的患者在最后一次治疗期间从评估时的高于案例状态转移到低于案例水平的患者被归类为恢复。在美国医疗卫生体系下,这通常被称为缓解。每一组的恢复率计算为恢复的患者数除以初始评估时的病例数。
改善也是一个二元度量。从评估到最后一次治疗期间,参与治疗的患者至少有一项结果指标显著降低(即GAD-7降低4分或以上,和/或PHQ-9降低6分或更多),而其他结果指标没有明显增加,则被归类为改善。每一组的改善率计算为改善的患者数除以参与治疗的患者数。
在SPSS(IBM SPSS统计第24版)中采用具有耶茨(Yates)连续性校正的皮尔森(Pearson)卡方检验通过比较两组患者参与、恢复和改善的人数进行临床疗效分析。对于比较恢复率和改善率的临床疗效分析,IECBT组(N=2207)中的参与患者与参考组的严重程度(评估时PHQ-9和GAD-7评分)使用R(表1)中实施的多变量排异采样算法进行匹配。
回归分析-IECBT临床反应的预测因子:基于上述患者人口统计和服务变量在R中进行逻辑回归分析,以识别接受IECBT治疗的患者中恢复和改善的显著预测因子。
鉴于所用统计模型的性质,记录集仅纳入具有所有预测因子变量的完整数据的病例。在4468名患者的初始样本中,2211名患者正在接受治疗,1818名患者处于评估时的病例状态,因此可以评估。在可评价的记录集中,95%的记录集具有所有预测因子变量的完整数据,并被纳入分析(N=2104用于改善分析,N=1728用于恢复分析)。
对连续预测因子变量进行标度并以平均值为中心。实施多重共线性分析以研究预测变量之间的潜在相关性。统计学显著性定义为P<.05双向跟踪,未校正。
临床疗效分析:对于接受IECBT治疗的患者,在评估时观察到PHQ-9和GAD-7评分改善和恢复的可能性存在差异(图3和图4)。对于更多的在评估时PHQ-9和GAD-7评分较高的严重患者,恢复的可能性较低,但改善的可能性相当或更高(图3和图4)。因此,对严重程度匹配的队列进行临床改善和恢复的对比分析。
严重程度匹配的接受IECBT治疗的患者改善率显著高于标准护理的患者(IECBT/标准护理:改善率67.5%/62.2%,比值比=1.26,X2(1)=26.40,P<.001)。
关于临床恢复,两组之间没有观察到显著差异(IECBT/标准护理:恢复率47.5%/46.5%,比值比=1.04,X2(1)=0.85,P=.356)。
与标准护理相比,IECBT还具有高得多的参与率(IECBT/标准护理:参与率49.5%/41.3%,比值比=1.39,X2(1)=121.68,P<.001)。
回归分析—IECBT临床反应的预测因子:逻辑回归分析确定长期身体不佳状态的出现、初始GAD-7评分、等待评估的时间、治疗总次数和患者年龄是改善的显著预测因子(表2)。除了等待评估的时间,这些变量也被确定为除了最初的PHQ-9评分外恢复的重要预测因子(表3)。
表2:基于互联网支持的CBT队列中对改善预测因子的逻辑回归分析调查结果。性别“男性”、长期状况“否”和精神药物“未服用处方药”是分类变量的参考类。下表中的术语如下:开始Phq9(StartPhq9)–PHQ-9评估得分;开始Gad7(StartGad7)–GAD-7评估得分;等待SAQ(Waiting SAQ)–转诊到患者完成自我评估问卷之间的时间;等待分配–患者完成自我评估问卷到分配治疗师之间的等待时间;等待接触–治疗师分配到与治疗师第一次接触之间的等待时间;等待评估–从与治疗师第一次接触到临床评估预约之间的等待时间;等待治疗–临床评估和第一次治疗之间的等待时间;疗程数–患者参加的治疗疗程总数;DNA数(NumberDNA)–患者未能参加已安排预约的次数。
表3-基于互联网支持的CBT队列恢复中对预测因子的逻辑回归分析调查结果。性别“男性”、长期状况“否”和精神药物“未服用处方药”是分类变量的参考类。下表中的术语如下:开始Phq9–PHQ-9评估得分;开始Gad7–GAD-7评估得分;等待SAQ–转诊到患者完成自我评估问卷之间的时间;等待分配–患者完成自我评估问卷和分配治疗师的等待时间;等待接触–治疗师分配到与治疗师第一次接触之间的等待时间;等待评估–从与治疗师第一次接触到临床评估预约之间的等待时间;等待治疗–临床评估和第一次治疗之间的等待时间;疗程数–患者参加的治疗疗程总数;DNA数–患者未能参加已安排预约的次数。
结果表明,与无长期健康状况不佳的患者相比,有长期身体状况不佳的患者不太可能表现出好的临床结果(改善:b=-0.32,SE=0.14,瓦尔德z2=5.62,P=0.018;恢复:b=-0.36,SE=0.15,瓦尔德z2=5.73,P=0.017)。评估时严重程度评分较高的患者也不太可能显示临床恢复(开始Phq9评分:b=-0.56,SE=0.06,瓦尔德z2=85.06,P<.001;开始Gad7评分:b=-0.30,SE=0.06,瓦尔德z2=26.97,P<.001)。然而与图3中观察到的相一致,结果表明GAD-7评分较高的患者更容易具有较高概率的临床改善(b=0.52,SE=0.06,瓦尔德z2=74.84,P<.001)。
患者年龄与好的临床结果的可能性之间也存在显著的积极相关性(改善:b=0.12,SE=0.05,瓦尔德z2=5.96,P=.015;恢复:b=0.23,SE=0.05,瓦尔德z2=17.89,P<.001)。此外,结果表明接受大量治疗疗程的患者更可能显示出好的临床结果(改善:b=0.29,SE=0.05,瓦尔德z2=32.33,P<.001;恢复:b=0.32,SE=0.05,瓦尔德z2=33.77,P<.001)(表2和表3)。
对于这两种回归分析,完整模型与纯常量模型的检验均具有显著性(改善回归模型:X2(17)=194.82,P<.001;恢复回归模型:X2(17)=278.54,P<.001)。此外,多重共线性分析显示所有预测因子变量的方差膨胀因子小于2,证实了回归模型不受多重共线性的影响。
本研究支持IECBT作为一种临床有效的治疗常见精神疾病患者的方法。在严重程度匹配的队列中,与标准治疗相比,观察到IECBT的改善率显著提高(67.5%对62.2%),恢复率没有显著差异(47.5%对46.5%)。
尽管有强有力的证据支持在线治疗的临床疗效,但先前的研究也表明,这些方式通常与高退出率相关。与此相反,当前的研究显示,与标准护理相比,包括自助和面对面服务在内的IECBT参与率显著提高(49.5%对41.3%)。与目前的在线研究相比,IECBT在线研究中的自我指导治疗的退学率相对较低。
过去的研究还表明,在线CBT有助于患者披露信息,患者更愿意通过计算机而不是面对面地透露敏感信息。IECBT有可能简化患者信息披露,在早期巩固治疗关系,鼓励参与,并导致更好的临床结果。此外,目前的IECBT模型允许治疗师和患者在治疗期间的各个疗程通过异步消息进行交流,鼓励完成家庭作业并遵守基于证据的治疗协议。治疗师和患者之间的这种额外的交流,在标准护理中是不可用的,这也可能有助于参与和好的临床结果。
关于临床结果的预测,分析显示初始心理测量得分与恢复可能性之间存在显著关联,较高的分数与较低的恢复率相关,如图4所示。根据定义,患者通过低于PHQ-9和GAD-7的病例阈值而恢复;因此,初始得分接近该阈值的患者恢复的机会更高并不意外。然而,这确实提出了一个问题,即恢复是否是衡量临床结果的合适指标。正如吉阿尼(GyanCi)和同事指出的,恢复指标没有考虑到观察到的严重程度降低是否大于量表的测量误差。相反,改善指数是衡量严重程度的降低在统计学上是否可靠的一种测量方法,而不管病例的情况,因此它可能是一种能广泛使用的更好指标。在这种情况下,初始评分较高的患者更可能出现临床改善,如回归分析结果所证实的,初始GAD-7得分较高的患者表现出更高的改善可能性(图3和表2)。虽然在这种情况下,严重程度的恢复率可能存在差异,但也可能表明存在非特异性的治疗效果。因此,提高治疗效果的未来策略可能包括实施旨在促进更严重患者恢复的措施,并使整个严重程度谱的恢复率均匀化,例如在开始治疗时增加疗程频率。
对改善和恢复的回归分析也显示了临床结果与年龄、长期身体状况不佳和疗程次数之间的显著关联。结果显示,年龄增长与更好的临床结果相关,这与先前的研究显示CBT在老年人中的低效性相矛盾。然而,事后分析显示患者年龄和症状严重程度之间存在显著的负相关(年龄和PHQ-9:r=-.08,t=-4.10,df=2416,P<.001;年龄和GAD-7:r=-.13,t=-6.29,df=2416,P<.001),这表明在该特定队列中年龄和临床结果之间观测的联系可以通过随年龄增加严重程度降低来解释。
在这一队列中,还观察到长期身体状况不佳的患者不太可能表现出好的临床结果。这一发现并不令人惊讶,因为长期的身体状况不佳往往与精神健康问题有关,这些问题本身可能是慢性的,而且往往具有抗药性。较低的治疗反应概率可能意味着需要定制的、针对特定情况的CBT模型,因此可以帮助患者以综合的方式处理心理和生理症状。然而,也可以反驳,用于计算临床结果的PHQ-9和GAD-7缺乏检测长期疾病患者临床显著改善的敏感性。疾病/障碍特定指标可为这些病例提供更好的临床改善指标,并可选择地囊括在患者变量中。
尽管在解释因果关系时应注意,但与好临床结果可能性相关的多个服务变量包括治疗疗程次数和评估的等待时间。初看这些结果给人的印象是,较长的疗程与更好的临床结果相关。然而,另一种解释是,不遵守治疗计划并在完成整个疗程之前退出,因此接受亚治疗剂量的患者,获得好的临床效果的可能性较小。此外,那些花了更长时间来安排临床评估的患者可能会缺乏参与治疗的积极性,更有可能退出治疗,从而获得差的临床结果。
总体而言,当前研究的结果表明,IECBT提供了与标准护理显著不同的临床结果,具有更高的改善率和参与率。然而,很重要的是注意到,由于标准护理的汇总审计参考数据的性质,无法控制分析中的变量,如治疗类型。虽然IECBT组的所有患者都收到CBT,但标准护理组的多个患者收到一系列各种不同的治疗类型,只有三分之一的患者收到CBT治疗。可以假设,治疗类型的差异,以及其他不受控制变量(如智商和社会经济地位)的潜在队列差异,也可以解释参与度和临床结果的差异。此外,由于分析的重点和参考数据的聚合性质,在本研究中,对所有临床人群的数据进行了汇总。由于CBT/IECBT的应答率可能在不同的情况下有所不同,未来对该数据集或其他数据集的分析可以选择性地集中在单个障碍上,例如,但不限于表1中列出的那些疾病,并在可用的情况下使用特定于障碍的指标来评估临床结果。因此,这可能导致对单个障碍的临床结果进行量身定制的预测。
最重要的是,本研究说明了IECBT作为数据收集和研究平台的强大功能。这里采用地使用中数据收集方法的一个优点是,在临床试验中,复制这些结果的可能方式通常是成本高昂的。对后续队列的分析可以用来增加进行回归分析的可用数据量,也可以通过使用自然语言处理来分析通过IECBT独特方法采集的治疗疗程病例,从而增加对CBT变化机制的科学知识。通过分析治疗疗程病例,研究人员可以确定哪些CBT变化机制与好的临床结果相关,也可以通过测试治疗师对CBT协议的遵守情况来鼓励好的临床实践。
了解好的临床结果的预测因子将有助于开发以患者为中心的分层/分级护理分配模型,并有助于开发增强的治疗方案。从结果衡量框架中获得的数据对提供者也有潜在价值,提供者可以调整服务以更好地满足患者的需求,并持续监控服务质量。在英国,IECBT的广泛应用,加上使用结果测量框架对临床疗效进行持续监测,使得护理服务质量和一致性得到系统性的改进,并实现了从按服务收费到按价值收费模式的转变。在美国医疗保健体系中采用类似的模式,在改善获得服务的同时管理成本,可能会起到至关重要的作用。
例2
方法。对2015年4月至2016年3月期间接受IECBT治疗的精神健康障碍患者的数据进行了分析。通过一个商业软件包交付IECBT,最初是为英国国家卫生服务局开发,目前被其使用,由怡素数字健康有限公司提供(http://uk.iesohealth.com)。在萨里、西肯特、卡姆登和约克郡东骑行地区,患者自行转诊或由初级保健工作者直接转诊至该服务。患者使用在线登记表或通过电话注册该服务。地理区域的选择由提供者目前接受自我转诊的地区决定。没有任何证据表明这些地理区域的患者与其他地区的患者不同,或者本文报告的结果不具有普遍性。对在登记期间或在护理期间的任何时候报告有自杀意图的患者,他们的治疗师或临床团队的另一名成员会在网上给予适当的建议,并相应地向专家服务部门发出指示。在紧急或严重风险的特殊情况下,他们的治疗师或临床主管会通过电话联系患者。
登记后,患者被分配到英国行为和认知心理治疗协会(BABCP)认可的合格CBT治疗师处。通过一对一的实时书面对话(即时同步信息)在线治疗室进行初步评估,之后治疗师为患者分配诊断,基于罗斯和菲力的CBT能力框架,每周的疗程期间交付NICE批准的的特定障碍的CBT治疗方案。治疗时间由治疗师根据其临床判断决定,典型的治疗时间为6-8个疗程。在处理预约/疗程之间,治疗师和患者相互交流异步信息和家庭作业任务,促进参与并坚持循证治疗模式。治疗师和患者之间的所有交流都是通过怡素的专有平台进行,该平台遵守国际公认的信息安全标准(ISO 27001;https://www.iesohealth.com/en-gb/legal/iso-certificates)。
IECBT组的临床结果与IECBT提供的同一时间段和同一地区接受IAPT服务的患者的报告结果进行对比。参照组的患者照常接受治疗,包括高强度和低强度治疗、面对面和在线治疗服务,包括IECBT(IAPT 2015/2016年度报告,在http://content.digital.nhs.uk/iaptreports公开可查询)。
通过IAPT的最小数据集(包括IECBT)获取的信息旨在支持国家政策/立法的实施和效力监测、政策制定、绩效分析和基准测试、国家分析和统计以及IAPT服务的国家审计。在登记时,患者同意服务的条款和条件,包括将匿名数据用于审计目的和支持研究,包括学术出版物或会议报告。
结果测量值。根据IAPT指南对临床恢复和改善情况进行评估。根据IAPT惯例,这些措施是为至少接受两个疗程治疗的患者定义的。这是患者必须接受的最小治疗剂量,以便采集治疗前和治疗后的分数,并可估计临床变化。接受至少两个疗程治疗的患者可以被视为“参与”。
根据患者在初始评估时完成的分别对应抑郁和焦虑症状的两个严重程度测量值PHQ-9和GAD-7以及每个治疗阶段(完成率95%)计算临床恢复和改善情况。
PHQ-9是一项9项测量,旨在促进抑郁症的筛查和严重程度评估,评分范围从0到27,建议的临界值为10或更高,以区分被认为患有临床显著抑郁症状的患者。在两个时间点之间PHQ-9量表减少6分或更多,表明症状严重程度在统计学上有可靠的改善。GAD-7是广泛性焦虑症的7项筛查和严重程度测量,评分范围从0到21,推荐的临界值为8或更高,以区分被认为患有临床显著焦虑症状的患者。在两个时间点之间GAD-7量表减少4分或更多,表明症状严重程度在统计学上是可靠的改善。如果患者在初始评估时对上述一项或两项指标的评分超过临床阈值(即PHQ-9为10或以上,GAD-7为8或以上),则在评估时将其归类为会议病例。其他症状严重程度指标,如焦虑症亚型的严重程度评分,没有被考察,因为只有PHQ-9和GAD-7在IAPT框架内被强制采集。
对于接受两个疗程或两个疗程以上治疗的患者,使用PHQ-9和GAD-7在初始评估和最后一个疗程的评分之间的差异来确定患者的恢复状态。恢复是一个二元度量。根据IAPT指南,对两个疗程或两个疗程以上治疗的患者,在最后一个疗程从PHQ-9和GAD-7量表的评估结果由高于病例状态转为低于病例状态的患者被归类为恢复。一组患者的恢复率计算为恢复的患者人数除以初始评估时的病例数。
改善也是一种二元度量。在IAPT的指导下,接受过两个疗程或两个疗程以上治疗的患者,从评估到最后一个疗程期间,至少有一项结果指标显著降低,而其他结果指标没有显著增加,则被归类为改善(即PHQ-9降低6分或更多和/或GAD-7中降低4分或以上,而不同时出现PHQ-9中6分或更多地增加和/或GAD-7中4分或更多地增加)。一组患者的改善率计算为改善的患者数除以两个疗程或两个疗程以上治疗的患者数。同时改善和恢复的患者被归类为可靠恢复。
样本量。2015年4月至2016年3月之间,共有4468名患者在IECBT服务中心注册。其中,487名患者(11%)不符合资格标准(年龄超过18岁,在委托服务的地理区域之外的社区全科普通医生处注册),并被视情况向其他精神卫生服务机构介绍。其余3981名符合条件的患者中,95名(2%)因临床原因(如风险、轴II障碍)被认为不适合该服务,并被视情况向其他精神卫生服务机构介绍。共有3886名患者接受了治疗,其中2211名(57%)接受了两个疗程或两个疗程以上的治疗。这2211名患者可以称之为“参与”。这2211名患者中,1818(82%)名患者在评估阶段被认为是病例(170名仅根据PHQ-9认为是病例,375名仅根据GAD-7认为是病例,并且1273名根据两者认为是病例,图5),经过两个疗程及两个疗程以上治疗的患者和在此点之前退出治疗的患者之间的人口统计学比较可以在表4中找到。
在2015年4月至2016年3月期间,IAPT服务在提供IECBT的同一地区共收到45560例转诊。19325名接受过两个疗程或两个疗程以上治疗的患者在这段时间内出院,,其中17470人(90%)在评估时处于病情缓解状态。
以改善指标为重点的数据分析针对的是参加过两个疗程或两个疗程以上治疗的患者的数据,而侧重于恢复指标的分析则是针对同样参加过两个疗程或两个疗程以上治疗的患者的数据进行的。
回归分析-IECBT临床反应的预测因子。根据患者的人口统计学和服务变量,在R中进行逻辑回归分析,以确定接受IECBT治疗的患者恢复和改善的显著预测因子。人口统计学变量包括患者性别、年龄、严重程度、诊断、患者是否患有长期的身体状况不佳以及患者在治疗开始时是否服用精神药物(如抗抑郁药或抗焦虑药)。服务变量包括与患者治疗过程相关的数据,包括患者治疗过程中不同阶段之间的等待时间、治疗持续时间和患者未能参加已安排预约的次数。
鉴于所用统计模型的性质,记录集仅适用于具有针对所有预测变量的完整数据的案例。在2211名接受两个疗程治疗的患者和1818名评估时病例的患者中,95%的患者拥有所有预测因子变量的完整数据,并被纳入分析(N=2101用于改善分析,N=1725用于恢复分析;图5)。
对连续预测因子变量进行标度并以平均值为中心。执行多重共线性分析以研究预测因子多个变量之间的潜在相关性。统计学显著性定义为P<.05双向跟踪,未校正。
临床结果的对比分析。虽然由于缺乏面对面的控制组,在本研究中不可能对比较性临床疗效进行推断分析,但公开可用的IAPT数据使我们能够对照同期和多个地理区域的平均值来参考IECBT临床结果。IECBT组接受过两个疗程或两个疗程以上治疗的患者(N=2211),根据严重程度(评估时PHQ-9和GAD-7评分)与IAPT参考组(N=19325)使用R中执行的多元排斥抽样算法进行匹配。缺乏其他变量的公开可用数据意味着不可能为其他可能相关的变量(如年龄,长期物理共病的诊断和存在)匹配任意两组。这里报告严重程度匹配的IECBT组相对于IAPT的临床结果。
结果。回归分析-IECBT临床反应的预测因子。逻辑回归分析确定长期身体状况的存在、最初GAD-7评分、等待评估的时间、治疗疗程总次数和患者年龄是改善的显著预测因子(表5)。除了等待评估的时间外,这些变量与PHQ-9初始评分一样,也被确定为恢复的重要预测因子(表6)。
结果表明,与无长期疾病的患者相比,有长期身体状况不佳状况的患者不太可能表现出好的临床结果(表5和表6)。评估时严重程度评分较高的患者也不太可能出现临床恢复(表6)。然而,与表5中观察到的结果一致,结果表明,评估时GAD-7评分较高的患者出现临床改善的可能性更高。
患者年龄与好的临床结果的可能性之间存在显著的积极相关性。在一项事后分析中进一步探讨了这种相关性,发现患者年龄和严重程度之间存在显著的消极相关性(年龄和PHQ-9:r=-.09,t=-4.02,df=2102,P<.001;年龄和GAD-7:r=-.13,t=-5.98,df=2102,P<.001),患者年龄和治疗次数之间也存在微弱但显著的积极相关性(r=0.05,t=2.10,df=2102,P=.036)。
最后,结果表明,接受过更大量治疗的患者更可能表现出好的临床结果(表5和表6)。然而,事后分析显示,在5个疗程或5个疗程以上疗程的患者中,治疗持续时间与临床结果之间没有显著相关性。临床结果率是最佳的,并且在5-9个疗程的治疗期间变化较小(51%的患者超过两个疗程,恢复率:57%-60%;改善率:67%-72%)。超过2个但少于5个疗程治疗的患者的临床结果明显较低且变化更大(超过两个疗程的患者中有14%的患者恢复率为27%-53%;改善率为42%-61%)。
对于这两种回归分析,相对于纯常量模型的完整模型的测试均具有显著性(改善回归模型:X2(19)=195.95,P<.001;恢复回归模型:X2(19)=278.36,P<.001)。此外,多重共线性分析显示所有预测因子变量的方差膨胀因子小于2。这是在这类分析中指示多重共线性的标准阈值,从而确认回归模型不受多重共线性的影响。
根据定义,IAPT的改善和恢复指标受初始症状严重程度的影响,这会混淆结果的解释。在一项调查临床结果预测因子的事后回归分析中,同时控制与初始严重程度的人为因素关系,改善百分比被定义为PHQ-9和GAD-7评分下降25%。与IAPT惯例相似,如果患者在一个或两个量表中的评分下降了25%,而两个量表中的评分均未出现劣化,则将患者归类为获得一定百分比的改善。该分析的结果与根据IAPT惯例定义的改善预测因子分析结果大致相似,但初始严重程度评分与改善百分比之间不再表现出显著关联(表7)。
根据IAPT惯例,结合PHQ-9和GAD-7量表确定了改善、恢复和百分比改善指标。虽然这允许患者更全面的特征,他们通常同时伴有抑郁和焦虑症状,但这是两个独立的量表,测量不同的结构。可以假设,患者和服务变量可能会对每个量表的好的临床结果的概率产生不同的影响。表8和表9分别对每种量表的百分比改善预测因子进行了事后回归分析。
根据症状严重程度调整临床结果,并以国家审计对照数据为基准。对于接受IECBT治疗的患者,以评估时的PHQ-9和GAD-7评分观察改善和恢复的可能性。回归分析结果显示,评估时PHQ-9和GAD-7评分较高的较严重患者的恢复可能性较低,但改善的可能性相当或更高。因此,IECBT的临床改善和恢复数据是根据严重程度匹配的队列为基准的。与IAPT患者相比,严重程度匹配的采用IECBT治疗患者的改善率和恢复率相似,治疗前后症状减轻程度相似(表10)。虽然经典显著性测试由于倾向于拒绝大样本量的零假设而被避免使用,但结果大小和95%的置信区间被提出(表10)。尽管两个队列的障碍分布存在一些孤立的差异,但大多数变量(27)观察到的比值比和效果大小通常都很小。加上两组的临床结果差异小于1%,症状减轻程度的差异不超过0.6分,这些结果表明两组在临床结果和评分降低方面的差异不可能有意义。
讨论。这是第一个真实的(非随机对照试验(non-RCT))关于使用IECBT治疗抑郁和焦虑患者的临床结果数据的报告。IECBT治疗抑郁症临床疗效的第一个证据发表在2009年的《柳叶刀》上(凯思乐·D(Kessler D)、路维斯·G(Lewis G)、卡尔·S(Kaur S)、威尔·N(Wiles N)、凯·M(King M)、韦曲·S(Weich S)等。在初级保健中由治疗师为抑郁症提供的一种网络心理治疗:一项随机对照试验。《柳叶刀》,2009年;374(9690):628–34)。这些扩展的数据,包括抑郁和焦虑症,提供了一个翻译性研究付诸实践并得以成功大规模部署的例子。合成数据集在促进与治疗反应相关的临床和人口统计学变量理解方面的应用表明,数据支持的心理健康服务作为临床研究的平台是有价值的。通过这些工具获得的知识作为旨在提高精神保健标准的质量改进周期的一部分,可用于完善服务规范和制定个性化治疗方案,。
主要发现。回归分析显示初始心理测量评分与恢复可能性之间存在显著相关性,分数越高,恢复率越低。根据定义,患者通过低于PHQ-9和GAD-7的病例阈值来恢复。因此,初始评分接近该阈值的患者恢复的几率更高并不意外。然而,这确实提出了这样一个问题:恢复是否是衡量临床结果的唯一合适指标,因为恢复指标没有考虑到观察到的严重程度降低是否大于量表的测量误差。相反地,改善指数是衡量严重程度的降低在统计学上是否可靠的一种度量,而不考虑病例情况,因此它可能是一种更好的广泛使用的指标。在本研究中,初始得分较高的患者更可能出现临床改善,如回归分析结果所证实的,初始GAD-7得分较高的患者表现出更高的改善可能性(表5)。IAPT的可靠恢复指数是一个综合指标,衡量患者是否恢复,同时表示严重程度在统计学上可靠的降低。尽管根据定义,该指标可能不太容易偏向支持恢复阈值的患者,但它仍然会偏向对抗评估时严重程度评分较高的患者,因为这些患者不太可能越过恢复阈值。为了研究临床结果的预测因素,同时控制与初始严重程度的人工因素关系,我们进行了一项事后分析,调查改善百分比的预测因子。结果显示,与根据IAPT惯例定义的改善预测因子的回归分析结果大致相似,但与初始严重程度评分的显著相关性不再与百分比改善测量值相关(表7)。虽然在这种情况下,严重程度的恢复率可预计存在差异,但也可能表明存在非特异性的治疗效果。因此,提高治疗效果的未来策略应着眼于促进更严重患者的恢复,包括在治疗开始时增加疗程频率,或对严重抑郁症使用特定的CBT方案。
关于改善和恢复的回归分析也显示了临床结果与年龄、长期身体状况和治疗疗程次数之间的显著性关联。结果表明,年龄越大,临床效果越好,而先前的研究显示,老年人CBT的效力较低。然而,很重要的是注意到,在本研究中,患者队列的平均年龄为36岁,而之前关于CBT对老年人影响的研究主要集中在55岁以上的成年人(格德·RL(Gould RL),卡尔森·MC(Coulson MC),霍尔德·RJ(Howard RJ)。认知行为疗法治疗老年人焦虑症的疗效:随机对照试验的荟萃分析和荟萃回归。第60卷,美国老年医学会杂志。2012年,第218–29页)。老年人更容易受到与年龄相关的认知能力下降和身体共病的影响,这些疾病可能直接影响CBT的结果,但不是当前队列中的普遍因素。对改善百分比预测因子的事后分析显示,与IAPT公约中定义的改善分析所观察到的结果相似,年龄是改善百分比可能性的一个积极预测因子。这表明,尽管患者年龄和严重程度之间存在显著的消极相关性,但年龄和临床结果之间的关联并不是由这个特定队列中不同年龄段的严重程度差异驱动的。患者年龄与治疗次数之间存在微弱但显著的积极相关性,并且两个疗程或两个疗程以上治疗的患者平均年龄较高(表4),这表明,在这个特定的队列中,老年患者在治疗的早期阶段不太可能退出,因此受益于更大的治疗剂量,而由此更有可能获得积极的临床结果。
在这一队列中,还观察到长期身体状况不佳的患者不太可能表现出好的临床结果。这一发现并不令人惊讶,因为长期的身体状况不佳往往与精神健康问题和复杂的心理问题有关,这些问题本身可能是慢性的,而且通常对治疗有抵抗力。较低的治疗反应概率可能意味着需要定制的、针对特定状况的CBT模型,因此可以帮助患者以综合的方式处理心理和身体症状。或者,可以采用针对具体疾病的措施,这些措施可以反映特定物理疾病的复杂性,并为这些病例提供不同的临床改善指标。
与好的临床结果的可能性相关的服务变量包括更多的治疗疗程和缩短等待评估的时间。虽然这些发现得到了文献中类似报告的支持(克拉克·DM(Clark DM),凯文·L(Canvin L),格林·J(Green J),雷亚德·R(Layard R),陂林·S(Pilling S),简卡·M(Janecka M)。精神卫生服务(IAPT方法)结果的透明度:公共数据分析。《柳叶刀》,2018年;391(10121),679-686),得出因果推论时应注意。初看,这些结果给人的印象是,较长的疗程与更好的临床结果相关。然而,另一种解释是,不遵守治疗计划并在治疗过程的早期阶段退出,因此接受亚治疗剂量的患者,获得好的临床结果的可能性较小。这一假设得到了事后分析结果的支持,结果表明,对于5到9个疗程的治疗,临床结果是最佳的,且变化较小;而对于超过2个疗程但少于5个疗程的患者,观察到的临床结果明显较低且变化更大。参与困难导致不良临床结果可能与更严重的抑郁症患者特别相关,因为其病情的性质,他们可能缺乏参加治疗疗程的动力以及大致坚持他们治疗计划的动力。
限制。在本研究中,对IECBT临床结果与IAPT平均值的数值比较表明IECBT与标准护理一样有效。这两组之间的比较是为了证明IECBT和IAPT服务的一般等效性建立在IECBT临床试验(凯思乐等,2009年)的先前结果基础上,并支持这种治疗方式在现实世界的临床环境中的效力。然而,值得注意的是,这种分析存在一些局限性,应注意不要过度解释这些发现。首先,由于这是一项审计研究,而不是一项随机对照试验,接受IECBT和IAPT治疗的患者之间的群体比较容易受到选择偏差的影响。第二,尽管IECBT组与参考组的严重程度相匹配,但IAPT年报中公布的数据的聚合性质意味着不可能使用倾向分析或选择算法来更好地将获得IECBT治疗的患者与IAPT中最相似的患者子集相匹配。第三,IECBT组的所有患者都接受CBT治疗,IAPT参考组的患者接受了一系列不同的治疗类型,包括IECBT。IECBT并不适用于所有患者,包括有风险的患者和不识字、英语不流利或无法使用互联网连接设备的患者。可以假设,治疗类型的差异,以及其他不受控制变量的潜在队列差异,如存在继发性共病精神健康状况、智商和社会经济状况,也可以解释临床结果的差异。
在这里和其他IAPT服务中采用的使用中数据采集方法的一个积极方面是,在临床试验中,这些研究结果的复制是可能的,但所采用的方式通常是成本高昂的。这里所揭示的发现、方法和系统有望推广到其他队列中,并增加对有效CBT变化机制的科学认识。了解好的临床结果的预测因子有望促进改进的、以患者为中心的分层/阶梯式护理分配模型的开发,并有助于制定增强的治疗方案。结果衡量框架下推演的数据对提供者(包括服务机构、雇主和个体治疗师)也具有潜在价值,他们可以调整服务以更好地满足他们患者的需求,并始终如一地监测服务质量,鼓励问责制。
在英国,使用结果衡量框架对临床疗效进行持续监测,使护理服务质量和一致性得到了系统性的改进,并实现了从按服务收费到按价值收费模式的转变。在美国,随着医疗保险和医疗补助服务中心开始实施基于价值的支付模式,了解治疗工作做什么和为什么及其临床和经济影响是什么的重要性变得显而易见。将IAPT模式(包括数字方法)不仅引入到美国,而且在全球范围内是双赢的,即通过向按人头付费和按价值付费模式转变,提高精神健康保健的质量和责任感,同时降低成本。
IECBT被归类为高强度治疗,因此与其他被归类为仅适用于症状较轻的患者的低强度干预的自我引导和引导型自助在线CBT模式相比,可用于治疗更严重的患者。先前调查低强度引导型自助干预临床结果预测因子的研究表明,坚持治疗和治疗可信性水平越高,改善率越高,治疗后得分越低。这突出了根据高强度在线干预(如IECBT)研究临床结果预测因子的重要性,在这种情况下,治疗师和患者之间的同步但匿名的互动性质可能会提高治疗的可信度和患者对治疗方案的遵守及坚持。
关于哪些患者和服务变量与好的临床结果相关的知识可用于制定个性化治疗方案,作为旨在提高精神卫生标准的质量改进周期的一部分。这项研究举例说明了将研究转化为具体实践并在英国大规模应用,证明了技术支持的治疗提供的价值,不仅有助于获得护理,而且有助于加速临床研究数据的获取。
例3
将患者优先分配给最有效力的治疗师。方法:患者人口统计学数据,包括但不限于以下变量:症状严重程度(根据标准程序,由患者对PHQ-9和GAD-7问卷的自我报告反应确定)、长期身体状况(身体共病)、年龄、性别和转诊来源,收集了500名提供基于互联网支持的认知行为治疗的治疗师。根据这些变量构建回归模型来预测患者对治疗反应的可能性。然后由每个管理治疗的治疗师对患者进行分组。如上所述,仅基于患者的人口统计学变量,每个治疗师的“预计恢复率”,计算为该治疗师治疗的患者心理治疗结果的平均预测(表示为“预期总体恢复率”(预期ORR))。每个治疗师在治疗结束时获得的实际恢复率计算为该治疗师治疗的患者的平均观察到的心理治疗结果(表示为“观察到的总体恢复率”(观察到的ORR))。计算每个治疗师的实际(观察到的)和预测心理治疗结果之间的差异(观察到的ORR减去预期的ORR),并根据这些差异对治疗师进行排名。最有效力的治疗师是那些实际恢复率高于预期的人,而最不有效力的治疗师是那些实际恢复率低于预期的人。21名匿名治疗师的示例性数据见下表11;图6为柱状图,显示了所有500名治疗师的数据。
表11中的数据是根据观察到的ORR和预期的ORR之间的差异进行排序的,因此最有效的治疗师都在表的顶部(“观察到的ORR减去预期的ORR”为正值),而最不有效力的治疗师则位于表格的底部(“观察到的ORR减去预期的ORR”为负值)。表11中一名治疗师的数据(匿名治疗师ID 3117530F)表明,根据回归模型和输入的数据,治疗师的表现完全符合预期。
然后,该方法使用此信息优先分配患者,或仅将受影响最严重的患者分配给最有效的治疗师。根据该方法被列为“最不有效”的治疗师被分配到治疗师支持协议中,例如提供额外的支持材料、再培训、额外的监督等。因此,当使用本文所公开的方法时,向患者提供的治疗质量(效力)随着时间的推移而增加。
例4
新治疗师的质量控制。方法:利用一系列患者人口统计学数据,包括但不限于症状严重程度、存在身体共病(长期身体状况)、年龄、性别和转诊来源,构建回归模型,根据这些变量预测患者对治疗反应的可能性。对于每个新治疗师,根据上述方法得到一个或多个患者的心理治疗结果预测。如果有一个以上的病人,这可以表示为预期的总体恢复率(ORR)。在新治疗师对一个或多个患者进行治疗之后,对同一个或多个患者的实际心理治疗结果进行观察。同样,如果有一个以上的病人,这可以表示为观察到的ORR。计算每个治疗师的实际恢复率和预测恢复率之间的差异(例如,观察到的ORR减去预期的ORR)。如果观察值减去预测值为正(例如,观察到的ORR大于预期的ORR),治疗师被认为是“最有效力的”,而当观察值减去预测值为负(例如,观察到的ORR小于预期的ORR),治疗师被视为“最不有效力的”。
然后,该方法使用该信息,例如,优先将患者分配给最有效力的新治疗师,和/或为最不有效力的新治疗师提供额外支持,例如额外的支持材料、由更有经验的治疗师进行再培训、额外的监督等。
例5
向IECBT疗法提供者提供新患者。患者的病史和人口统计学数据(例如,关于变量:性别、年龄、患者是否患有长期共病的身体状况、就业状况、患者是否正在服用精神药物、患者目前是否怀孕或在过去12个月内怀孕或生下孩子)通过患者的计算机接口(如安全手机或平板电脑应用程序)发送的问卷获得。患者还需要完成GAD-7和PHQ-9问卷。从患者收集的所有数据都被发送到基于云的服务器,其中使用回归模型,该模型使用已接受治疗的患者的特征及其已知的治疗结果,以便为新患者的每个可用数据变量分配分数。将这些分数合并起来计算患者的总分。将总分与量表进行比较,以确定对患者心理治疗结果的预测。然后使用心理治疗结果的预测来确定适合该患者的治疗方案,所确定的治疗方案被输出到一个或多个治疗师、治疗督导、治疗服务和/或治疗付款人(例如,保险提供商)可访问的计算机接口。然后在患者界面上,例如安全手机或平板电脑应用程序,启动确定的治疗方案。
因此,本发明非常适合于实现上述目的和优点以及其中固有的目的和优点。以上公开的特定实施例仅是说明性的,本发明可以被修改并且以不同但对于本领域技术人员来说等效的方式被实践,但对于本领域的技术人员来说显然具有从这里获得教导的益处。此外,除以下权利要求中所述的情况外,对本文所示的结构或设计细节不作任何限制。因此,显而易见的是,可以改变、组合或修改以上公开的特定说明性实施例,并且在本发明的范围和精神范围内考虑所有这些变化。在本文未具体公开的任何元素和/或本文公开的任何可选元素的情况下,可以适当地实施本文所示的本发明。虽然以“具有”、“包含”或“包括”各种成分或步骤来描述组合物和方法,但是所述组合物和方法也可以“基本上由”或“由”各种成分和步骤组成。以上公开的所有数字和范围可能会有所不同。每当公开具有下限和上限的数值范围时,那么也就具体公开落在该范围内的任何数字和任何包含范围。具体而言,本文中公开的每一个值范围(形式为“从大约a到大约b”,或者,等价地,“从大概a到b”,或者,等价地,“从大概a-b”)应理解为列出包含在更广泛的值范围内的每个数和范围。此外,除非专利权人另有明确规定,否则权利要求书中的术语具有明确、普通的含义。此外,如权利要求书中使用的不定冠词“a”或“an”在此被定义为表示其引入的元素中的一个或多个。鉴于本发明,本发明的各种其他方面和实施例对于本领域技术人员来说是显而易见的。本规范中提及的所有文件均通过引用并入本文中。此处使用的“和/或”应被视为两个指定特征或组件中的每一个的具体公开,无论是否有另一个。例如,“A和/或B”将被视为(i)A、(ii)B和(iii)A和B中的每一个的具体披露,就像在本文中单独列出一样。除非上下文另有规定,否则上述特征的描述和定义不限于本发明的任何特定方面或实施例,并且同样适用于所描述的所有方面和实施例。
表格
表4-接受两个疗程或两个以上疗程治疗的患者与在此阶段之前退出的患者之间的人口统计学比较。开始Phq9–PHQ-9评估得分;开始Gad7–GAD-7评估得分。
表5-调查基于互联网支持的CBT队列改善的预测因子的逻辑回归分析结果。性别“男性”、长期身体状况“否”、诊断为“焦虑症”和精神药物为“未服用处方药”为分类变量的参考类别。诊断=“抑郁症”,包括诊断为抑郁发作、心境恶劣或复发性抑郁障碍的患者。诊断=“焦虑症”,包括被诊断患有恐旷症、全身性焦虑症、疑病性障碍、强迫症、恐慌症、创伤后应激障碍、社交恐惧症、特定恐惧症或未指明的焦虑症的患者。诊断=“其他”,包括所有未列出的诊断(例如:慢性疼痛、丧亲、饮食失调)。开始Phq9–PHQ-9评估得分;开始Gad7–GAD-7评估分数;等待SAQ–转诊到患者完成自我评估问卷之间的时间;等待分配–患者完成自我评估问卷和治疗师分配的等待时间;等待联系–从分配治疗师到与治疗师第一次接触之间的等待时间;等待评估–从治疗师第一次接触到临床评估预约之间的等待时间;等待治疗–临床评估和第一次治疗之间的等待时间;疗程数–患者参加的治疗疗程总数;DNA数–患者未能参加已安排预约的次数。
表6-调查基于互联网支持的CBT队列中恢复预测因子的逻辑回归分析结果。性别“男性”、长期身体状况“否”、诊断为“抑郁症”和精神药物为“未服用处方药”为分类变量的参考组。诊断=“抑郁症”,包括诊断为抑郁发作、心境恶劣或复发性抑郁障碍的患者。Diagnosis=“焦虑症”,包括被诊断患有恐旷症、全身性焦虑症、疑病性障碍、强迫症、恐慌症、创伤后应激障碍、社交恐惧症、特定恐惧症或未指明的焦虑症的患者。诊断=“其他”,包括所有未列出的诊断(例如:慢性疼痛、丧亲、饮食失调)。开始Phq9–PHQ-9评估得分;开始Gad7–GAD-7评估得分;等待SAQ–转诊到患者完成自我评估问卷之间的时间;等待分配–患者完成自我评估问卷和治疗师分配的等待时间;等待联系–从分配治疗师到与治疗师第一次接触之间的等待时间;等待评估–从治疗师第一次接触到临床评估预约之间的等待时间;等待治疗–临床评估和第一次治疗之间的等待时间;疗程数–患者参加的治疗疗程总数;DNA数–患者未能参加已安排预约的次数。
表7–基于互联网支持的CBT队列改善百分比预测因子的逻辑回归分析调查结果。性别“男性”、长期身体状况“否”、情况为“焦虑症”并且精神药物为“未服用处方药”作为分类变量的参考类。情况=“抑郁症”,包括诊断为抑郁发作、心境恶劣或复发性抑郁障碍的患者。情况=“焦虑症”,包括被诊断患有恐旷症、全身性焦虑症、疑病性障碍、强迫症、恐慌症、创伤后应激障碍、社交恐惧症、特定恐惧症或未指明的焦虑症的患者。情况=“其他”,包括所有未列出的诊断(例如:慢性疼痛、丧亲、饮食失调)。开始Phq9–PHQ-9评估得分;开始Gad7–GAD-7评估得分;等待SAQ–转诊到患者完成自我评估问卷之间的时间;等待分配–患者完成自我评估问卷和治疗师分配的等待时间;等待联系–从分配治疗师到与治疗师第一次接触之间的等待时间;等待评估–从与治疗师第一次接触到临床评估预约之间的等待时间;等待治疗–临床评估和第一次治疗之间的等待时间;疗程数–患者参加的治疗疗程总数;DNA数–患者未能参加已安排预约的次数。
表8-调查基于互联网支持的CBT队列中PHQ-9指标改善百分比预测因子的逻辑回归分析调查结果。性别为“男性”、长期身体状况为“否”、情况为“焦虑症”及精神药物为“未服用处方药”为分类变量的参考类。情况=“抑郁症”,包括诊断为抑郁发作、心境恶劣或复发性抑郁障碍的患者。情况=“焦虑症”,包括被诊断患有恐旷症、全身性焦虑症、疑病性障碍、强迫症、恐慌症、创伤后应激障碍、社交恐惧症、特定恐惧症或未指明的焦虑症的患者。情况=“其他”,包括所有未列出的诊断(例如:慢性疼痛、丧亲、饮食失调)。开始Phq9–评估时的PHQ-9得分;等待SAQ–转诊到患者完成自我评估问卷之间的时间;等待分配–患者完成自我评估问卷和治疗师分配的等待时间;等待联系–从分配治疗师到与治疗师第一次接触之间的等待时间;等待评估–与治疗师第一次接触与临床评估预约之间的等待时间;等待治疗–临床评估与第一次治疗之间的等待时间;疗程数–患者参加的治疗疗程总数;DNA数–患者未能参加已安排预约的次数。
表9–基于互联网支持的CBT队列中GAD-7指标改善百分比预测因子的逻辑回归分析调查结果。性别为“男性”、长期身体状况为“否”、情况为“焦虑症”及精神药物为“未服用处方药”为分类变量的参考类。情况=“抑郁症”,包括诊断为抑郁发作、心境恶劣或复发性抑郁障碍的患者。情况=“焦虑症”,包括被诊断患有恐旷症、全身性焦虑症、疑病性障碍、强迫症、恐慌症、创伤后应激障碍、社交恐惧症、特定恐惧症或未指明的焦虑症的患者。情况=“其他”,包括所有未列出的诊断(例如:慢性疼痛、丧亲、饮食失调)。开始Gad7–评估时的GAD-7分数;等待SAQ–转诊到患者完成自我评估问卷之间的时间;等待分配–患者完成自我评估问卷和治疗师分配的等待时间;等待联系–从分配治疗师到与治疗师第一次接触之间的等待时间;等待评估–与治疗师第一次接触与临床评估预约之间的等待时间;等待治疗–临床评估与第一次治疗之间的等待时间;疗程数–患者参加的治疗疗程总数;DNA数–患者未能参加已安排预约的次数。
表10–2015年4月至2016年3月结束一个疗程的患者的人口统计详情和临床结果。基于互联网支持的CBT队列与IAPT队列的严重程度相匹配,采用多元排斥抽样。SD-标准偏差,n.a.—不可用。诊断=“抑郁症”,包括诊断为抑郁发作、心境恶劣或复发性抑郁障碍的患者。诊断=“焦虑症”,包括被诊断患有恐旷症、全身性焦虑症、疑病性障碍、强迫症、恐慌症、创伤后应激障碍、社交恐惧症、特定恐惧症或未指明的焦虑症的患者。诊断=“其他”,包括所有未列出的诊断(例如:慢性疼痛、丧亲、饮食失调)。1=全国所有疾病的平均治疗时间,无区域数据。
表11-根据疗效对21名匿名、任意选择的治疗师的排名。通过比较治疗师治疗的所有患者的观察到的总体恢复率,与使用治疗开始前收集的患者变量计算的这些患者的预测总体恢复率来衡量疗效。观察到的ORR减去期望的ORR为正值表示治疗师的表现好于预期,而该列中的负值表示治疗师的表现比预期差。
Claims (19)
1.一种确定治疗师效力的方法,包括:
获取与一个或多个患者的一个或多个患者变量和/或一个或多个服务变量相关的数据,其中所述一个或多个患者患有精神健康障碍并分配给所述治疗师;
分配分数给每个所述患者变量和/或每个所述服务变量的所述数据,其中所述分数是基于历史队列治疗结果和包括队列患者和/或服务变量的历史队列数据之间的相关性;
合并所述分数以计算总分;
比较所述总分与量表,以产生一名或多名患者的心理治疗结果的预测;
获得所述治疗师已经提供治疗后的所述一个或多个患者的心理治疗结果的观察;以及
比较所述一个或多个患者的心理治疗结果的所述观察和心理治疗结果的所述预测,以获得对所述治疗师效力的确定。
2.根据权利要求1所述的方法,还包括根据所述治疗师效力的确定采取行动。
3.根据权利要求2所述的方法,其中所述行动包括从以下组中选择的一个行动:(1)向所述治疗师提供额外的培训材料;(2)对所述治疗师进行额外的监督;(3)对所述治疗师进行进一步的培训,(4)将患者由所述治疗师重新分配给一个或多个其他治疗师。
4.一种治疗患者的方法,包括:
获取与一个患者的一个或多个患者变量和/或一个或多个服务变量相关的数据,其中所述患者患有精神健康障碍;
分配分数给每个所述患者变量和/或每个所述服务变量的所述数据,其中所述分数是基于历史队列治疗结果和包括队列患者和/或服务变量的历史队列数据之间的相关性;
合并所述分数以计算总分;
比较所述总分与量表,以产生所述患者的心理治疗结果的预测;以及
根据治疗方案治疗所述患者,其中所述治疗方案的确定是基于所述患者的心理治疗结果的预测和一个或多个标准的比较,所述一个或多个标准源于所述历史队列治疗结果与所述历史队列数据之间的相关性。
5.根据权利要求4所述的方法,其中所述治疗方案包括从以下组中选择的一个或多个治疗内容:(1)一对一或面对面的会面的具体频率,(2)异步消息的具体频率,(3)自助材料的提供,(4)对(多种)精神药物潜在需求的指示,以及(5)特定治疗师的分配。
6.根据权利要求4所述的方法,还包括:
在实施所述心理治疗之前评估一般性焦虑症7项(GAD-7)得分和/或患者健康问卷(PHQ-9)得分,其中所述GAD-7得分和/或所述PHQ-9得分作为一个或多个所述患者变量包括在内。
7.根据前述任一项权利要求所述的方法,其中所述心理治疗包括基于互联网支持的认知行为疗法。
8.根据前述任一项权利要求所述的方法,其中所述精神健康障碍包括从以下组中选择的障碍:(1)抑郁,(2)焦虑和抑郁混合,(3)广泛性焦虑症,(4)社交恐惧症,(5)恐慌症,(6)强迫症,(7)创伤后应激障碍,(8)恐旷症,(9)特定恐惧症,以及(10)其他焦虑症。
9.根据前述任一项权利要求所述的方法,其中所述一个或多个患者变量包括从以下组中选择的变量:(1)患者性别,(2)患者年龄,(3)患者是否患有长期身体状况,(4)患者在治疗开始时是否服用精神药物,(5)初始症状严重程度,(6)患者患有的精神健康障碍,(7)患者目前是否怀孕,或在过去12个月内怀孕或分娩,以及(8)患者就业状况。
10.根据前述任一项权利要求所述的方法,其中所述一个或多个服务变量包括从以下组中选择的变量:(1)患者疗程中不同阶段之间的等待时间,(2)治疗持续时间,(3)患者未能参加已安排预约的次数,(4)分配给患者的治疗师,以及(5)患者收到的治疗方案。
11.根据前述任一项权利要求所述的方法,其中对所述患者的心理治疗结果的所述预测是改善的度量和/或恢复的度量。
12.根据权利要求4至11中任一项所述的方法,还包括:
在所述心理治疗期间执行两次所述方法,以获得对所述患者的心理治疗结果的第一预测和对所述患者的心理治疗结果的第二预测;
比较所述患者的心理治疗结果的所述第一预测和所述第二预测;以及
使用心理治疗结果的所述第一预测和心理治疗结果的所述第二预测的比较来计算所述心理治疗的质量的度量。
13.根据权利要求12所述的方法,还包括:
基于所述心理治疗的质量的所述度量,在按价值收费系统中计算所述心理治疗的补偿值。
14.根据权利要求4至13中任一项所述的方法,还包括:
在开始所述治疗方案后,依次获取与所述患者的所述一个或多个患者变量和/或所述一个或多个服务变量相关的第二数据;
分配第二分数给每个所述患者变量和/或每个所述服务变量的所述第二数据;
合并所述第二分数计算第二总分;
使用所述第二总分对所述患者的心理治疗结果进行第二预测;以及
根据第二治疗方案治疗所述患者,其中所述第二治疗方案的确定是基于所述患者的心理治疗结果的所述第二预测。
15.根据权利要求4至14中任一项所述的方法,进一步包括:
确定所述患者是否患有长期的身体状况;以及
根据治疗方案治疗所述患者,所述治疗方案的确定是基于对所述患者的心理治疗结果的所述预测和对所述患者是否患有长期的身体状况的所述确定。
16.一种非暂时的、有形的、计算机可读的存储介质:包含一个指令程序,所述指令程序使计算机系统运行所述指令程序去:
接收与一个或多个患者的一个或多个患者变量和/或一个或多个服务变量相关的数据,所述一个或多个患者患有精神疾病并分配给治疗师;
分配分数给每个所述患者变量和/或每个所述服务变量的数据,其中所述分数是基于历史队列治疗结果和包括队列患者和/或服务变量的历史队列数据之间的相关性;
合并所述分数以计算总分;
比较所述总分与量表,以产生所述一名或多名患者的心理治疗结果的预测;
接收与所述治疗师已经提供治疗后的所述一名或多名患者的心理治疗结果的观察相关的进一步数据;以及
比较所述一个或多个患者的心理治疗结果的所述观察和所述预测,以获得所述治疗师的效力的确定。
17.根据权利要求16所述的介质,其中所述指令程序进一步使计算机系统运行所述指令程序去:
基于所述治疗师的效力的所述确定而采取行动。
18.根据权利要求17所述的方法,其中所述行动包括从以下组中选择的行动:(1)向所述治疗师提供额外的训练材料;(2)对所述治疗师进行额外的监督;(3)开始对所述治疗师进行进一步的训练,(4)将患者由所述治疗师重新分配给一个或多个其他治疗师。
19.根据权利要求16所述的介质,其中所述接收的数据来自一个以上硬件源,可选地,其中所述硬件源包括移动设备。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB1800556.1 | 2018-01-12 | ||
GBGB1800556.1A GB201800556D0 (en) | 2018-01-12 | 2018-01-12 | Computer-implemented methods for predicting psychological therapy outcome |
GB1815409.6 | 2018-09-21 | ||
GBGB1815409.6A GB201815409D0 (en) | 2018-09-21 | 2018-09-21 | Computer-Implemented methods for predicting psychological therapy outcome |
PCT/GB2019/050095 WO2019138252A1 (en) | 2018-01-12 | 2019-01-14 | Methods for improving psychological therapy outcome |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111919261A true CN111919261A (zh) | 2020-11-10 |
Family
ID=65036840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980015161.9A Pending CN111919261A (zh) | 2018-01-12 | 2019-01-14 | 一种改善心理治疗结果的方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210082563A1 (zh) |
EP (1) | EP3738125A1 (zh) |
CN (1) | CN111919261A (zh) |
AU (1) | AU2019206316A1 (zh) |
CA (1) | CA3087947A1 (zh) |
WO (1) | WO2019138252A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971248A (zh) * | 2022-05-17 | 2022-08-30 | 上海市第四人民医院 | 结合监控信息比对实施新冠患者智能分类的方法及系统 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11321733B2 (en) * | 2018-05-02 | 2022-05-03 | Pepsico, Inc. | Analyzing second party digital marketing data |
CN112309547A (zh) * | 2020-11-11 | 2021-02-02 | 浙江连信科技有限公司 | 基于辩证行为疗法的心理服务提供方法及装置 |
WO2023203495A1 (en) * | 2022-04-22 | 2023-10-26 | Sandeep Vohra | A system and method for providing mental and behavioural health services |
CN117423462B (zh) * | 2023-12-01 | 2024-04-16 | 山东石油化工学院 | 一种基于人工智能的学生心理健康预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7953612B1 (en) * | 2006-07-17 | 2011-05-31 | Ecomglobalmedical Research & Development, Inc | System and method for providing a searchable database of surgical information |
US20120109683A1 (en) * | 2010-10-27 | 2012-05-03 | International Business Machines Corporation | Method and system for outcome based referral using healthcare data of patient and physician populations |
US20140276552A1 (en) * | 2013-03-15 | 2014-09-18 | Linh C. Nguyen, JR. | Physician-Centric Health Care Delivery Platform |
US20160042133A1 (en) * | 2014-06-30 | 2016-02-11 | Mindoula Health, Inc. | System and method for behavioral health case management |
US20170000400A1 (en) * | 2014-01-24 | 2017-01-05 | Brc Operations Pty Limited | Biomarkers For The Prediction Of Treatment Outcomes In ADHD |
CN106777945A (zh) * | 2016-12-07 | 2017-05-31 | 西安电子科技大学 | 临床思维能力评估系统及方法 |
US20170372029A1 (en) * | 2016-02-08 | 2017-12-28 | OutcomeMD, Inc. | Systems and methods for determining and providing a display of a plurality of wellness scores for patients with regard to a medical condition and/or a medical treatment |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11069446B1 (en) * | 2016-09-28 | 2021-07-20 | Cerner Innovation, Inc. | Predicting addiction relapse and decision support tool |
-
2019
- 2019-01-14 CN CN201980015161.9A patent/CN111919261A/zh active Pending
- 2019-01-14 WO PCT/GB2019/050095 patent/WO2019138252A1/en unknown
- 2019-01-14 EP EP19701020.0A patent/EP3738125A1/en active Pending
- 2019-01-14 US US16/961,399 patent/US20210082563A1/en active Pending
- 2019-01-14 AU AU2019206316A patent/AU2019206316A1/en active Pending
- 2019-01-14 CA CA3087947A patent/CA3087947A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7953612B1 (en) * | 2006-07-17 | 2011-05-31 | Ecomglobalmedical Research & Development, Inc | System and method for providing a searchable database of surgical information |
US20120109683A1 (en) * | 2010-10-27 | 2012-05-03 | International Business Machines Corporation | Method and system for outcome based referral using healthcare data of patient and physician populations |
US20140276552A1 (en) * | 2013-03-15 | 2014-09-18 | Linh C. Nguyen, JR. | Physician-Centric Health Care Delivery Platform |
US20170000400A1 (en) * | 2014-01-24 | 2017-01-05 | Brc Operations Pty Limited | Biomarkers For The Prediction Of Treatment Outcomes In ADHD |
US20160042133A1 (en) * | 2014-06-30 | 2016-02-11 | Mindoula Health, Inc. | System and method for behavioral health case management |
US20170372029A1 (en) * | 2016-02-08 | 2017-12-28 | OutcomeMD, Inc. | Systems and methods for determining and providing a display of a plurality of wellness scores for patients with regard to a medical condition and/or a medical treatment |
CN106777945A (zh) * | 2016-12-07 | 2017-05-31 | 西安电子科技大学 | 临床思维能力评估系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971248A (zh) * | 2022-05-17 | 2022-08-30 | 上海市第四人民医院 | 结合监控信息比对实施新冠患者智能分类的方法及系统 |
CN114971248B (zh) * | 2022-05-17 | 2023-04-18 | 上海市第四人民医院 | 结合监控信息比对实施新冠患者智能分类的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20210082563A1 (en) | 2021-03-18 |
EP3738125A1 (en) | 2020-11-18 |
WO2019138252A1 (en) | 2019-07-18 |
CA3087947A1 (en) | 2019-07-18 |
AU2019206316A1 (en) | 2020-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Delgadillo et al. | Stratified care vs stepped care for depression: A cluster randomized clinical trial | |
CN111919261A (zh) | 一种改善心理治疗结果的方法 | |
Catty et al. | Predictors of employment for people with severe mental illness: results of an international six-centre randomised controlled trial | |
Lewis et al. | The role of early symptom trajectories and pretreatment variables in predicting treatment response to cognitive behavioral therapy. | |
Miller et al. | Web-based self-management for patients with multiple sclerosis: a practical, randomized trial | |
Dement et al. | Impacts of workplace health promotion and wellness programs on health care utilization and costs: results from an academic workplace | |
EP0917078A1 (en) | Disease management method and system | |
Catarino et al. | Demographic and clinical predictors of response to internet-enabled cognitive–behavioural therapy for depression and anxiety | |
L'Engle et al. | Scaled-up mobile phone intervention for HIV care and treatment: protocol for a facility randomized controlled trial | |
Saunders et al. | Improvement in IAPT outcomes over time: are they driven by changes in clinical practice? | |
US11152099B2 (en) | System and process for managing participation and progression in health engagement programs | |
Lund et al. | Household economic costs associated with mental, neurological and substance use disorders: a cross-sectional survey in six low-and middle-income countries | |
Hurvitz et al. | Registry-based research in cerebral palsy: the cerebral palsy research network | |
Kravitz et al. | Introduction to N-of-1 trials: indications and barriers | |
Oehler et al. | How are guide profession and routine care setting related to adherence and symptom change in iCBT for depression?-an explorative log-data analysis | |
KR19980025157A (ko) | 질병 관리 방법 및 시스템 | |
Merino et al. | Improving rheumatoid arthritis management within the Spanish National Health System: a social return on investment study | |
Perez-de-Llano et al. | Impact of pre-biologic impairment on meeting domain-specific biologic responder definitions in patients with severe asthma | |
Verbist et al. | Predicting treatment outcomes in improving access to psychological therapy (IAPT) services | |
Boloori et al. | Understanding the Opioid Epidemic: Human-Based Versus Algorithmic-Based Perceptions, Treatments, and Guidelines | |
Wong et al. | Using electronic patient-reported measures to characterize symptoms and improvement in inpatient psychiatric units | |
Tejada et al. | Medical prescription model based on a Web Application | |
Morrow et al. | (MDC09) Comparing Patient Perceptions on Multiple Sclerosis Management and Care: A Subanalysis of Geographic Differences. | |
Annunziata et al. | Assessment of Health Outcomes Based on Patient Activation Level | |
Jones et al. | HIIT Virtual Roundtable# 2–Creating the Healthiest Nation: HIT Applications to Improve Health, Public Health Programs and Services; Reach Underserved Groups; And Respond to Public Health Crises |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |