Repositório para armazenar a produção relacionada ao meu trabalho de conclusão de curso para o bacharelado em psicologia na PUCRS.
Algumas ideias para tema de pesquisa.
Investigar como fatores socioeconômicos, como nível de escolaridade e renda, estão relacionados com desfechos de uma intervenção psicoterápica.
Dados abertos de um estudo sobre a eficácia de intervenção.
- Web-based positive psychology interventions: A reexamination of effectiveness.
- Predicting individual response to a web-based positive psychology intervention: A machine learning approach.
- Predicting optimal interventions for clinical depression: Moderators of outcomes in a positive psychological intervention vs. cognitive-behavioral therapy.
- Meta-analysis: The effectiveness of youth psychotherapy interventions in low- and middle-income countries.
- The effectiveness of a web-based positive psychology intervention in enhancing college students’ mental well-being.
- The long and winding road to happiness: A randomized controlled trial and cost-effectiveness analysis of a positive psychology intervention for lonely people with health problems and a low socio-economic status.
- Positive psychological interventions and information and communication technologies.
Investigar a relação entre estilo pessoal da psicoterapeuta e os defechos de uma intervenção psicoterápica.
Predicting individual response to a web-based positive psychology intervention: a machine learning approach
Amanda C. Collins, George D. Price, Rosalind J. Woodworth e Nicholas C. Jacobson.
Intervenções em psicologia positiva mostram-se efetivas no tratamento de sintomas depressivos e aumento da felicidade, mas nem todos pacientes respondem conforme o esperado. É importante identificar indivíduos com menores chances de resposta a esse tipo de intervenção para que possam ser encaminhados a outros tipos de tratamentos.
Investigar se características individuais seriam capazes de prever modificações nos níveis de felicidade e de sintomas depressivos de uma pessoa após a participação em uma intervenção de psicologia positiva on-line; investigar quais características do indivíduo tem maior contribuição para previsão do desfecho.
Participaram 295 cidadãos australianos recrutados através de anúncios em jornais, rádios, televisão e artigos da Internet para participar de um estudo sobre felicidade.
Os participantes foram distribuídos aleatoriamente em 4 grupos: 3 grupos de intervenção (gratidão, forças de caráter e três coisas boas) e um grupo de controle ativo (memórias de antigas). Cada grupo recebeu um e-mail com um conjunto de instruções específicas:
-
Gratidão: escrever uma carta agradecendo uma pessoa que teve influência positiva em sua vida mas nunca foi agradecida.
-
Forças de caráter: preencher um questionário para identificação das forças de caráter, ler as descrições de cada uma delas e buscar aplicá-las ao longo da semana.
-
Três coisas boas: anotar três coisas boas que aconteceram ao longo do dia e explicar por que elas aconteceram.
-
Memórias antigas: escrever memórias antigas ao final do dia.
Foram observados os níveis de felicidade e sintomas depressivos conforme avaliados pelos instrumentos Authentic happiness inventory (AHI) e Center for epidemiologic studies depression scale (CES-D) respectivamente.
Os participantes completaram um questionário com informações demográficas e preencheram escalas de felicidade e sintomas depressivos, formando a observação de base. Eles então passaram pela intervenção que teve duração de uma semana. Os níveis de felicidade e sintomas depressivos dos participantes foram avaliados imediatamente, uma semana, um mês, três meses e seis meses após o fim da intervenção.
Foram treinados modelos de machine learning do tipo extreme gradient boosted tree, um para cada comparação entre dados de base e pós-teste e para cada uma das medidas (AHI e CES-D), totalizando 10 modelos. Foi usada a abordagem leave-one-out cross-validation (70%/30%) para avaliação do desempenho dos modelos.
Empregaram também o procedimento de Shapley additive explanations (SHAP) para estimar a contribuição de cada característica da entrada no desfecho previsto pelo modelo e elencaram as 5 características mais releventes para a previsão.
Os pesquisadores encontraram correlação moderada entre os dados reais e as previsões do modelo para níveis de felicidade (r = 0.30) e sintomas depressivos (r = 0.39) avaliados seis meses após o fim da intervenção. Em ambos os casos, características clínicas (avaliadas pelo AHI e CES-D no pré-teste) tiveram maior contribuição para a previsão do desfecho.
A amostra era pequena e consistia majoritariamente de pessoas com níveis não-clínicos de depressão, o que limita a possibilidade de generalização dos modelos para populações clínicas. Não foram examinados fatores importantes que podem ter contribuído para os resultados da intervenção, como nível de engajamento dos participantes.
Predicting therapy outcome in a digital mental health intervention for depression and anxiety: A machine learning approach
Silvan Hornstein, Valerie Forman-Hoffman, Albert Nazander, Kristian Ranta e Kevin Hilbert.
Embora a necessidade de tratamentos individualizados em saúde mental seja cada mais reconhecida, ainda existem poucos trabalhos que avaliam a viabilidade do uso de algoritmos de machine learning para fazer previsões sobre a resposta a intervenções a nível individual.
Avaliar o desempenho de algoritmos de machine learning na previsão dos resultados de uma intervenção digital em saúde mental projetada para o tratamento de ansiedade e depressão.
Foram coletados dados anônimos de 970 pessoas usuárias do Meru Health Program (as pessoas consentiram com o uso dos dados anonimizados para realização de pesquisa ao ingressar no programa).
O Meru Health Program é um programa digital em saúde mental com foco em ansiedade e depressão realizado via smartphone. A intervenção consiste na aplicação técnicas de TCC, psicoeducação, exercícios de mindfulness e biofeedback ao longo de um período que varia entre 8 e 12 semanas. Os participantes são acompanhados por psicoterapeutas clínicos licenciados que revisam engajamento e resultados e mantém contato assíncrono frequente por meio de mensagens.
Os resultados da intervenção foram acompanhados com a aplicação dos instrumentos Patient Health Questionaire-9 (PHQ-9) e General Anxiety Disorder Screener-7 (GAD-7) a cada duas semanas. O principal desfecho de interesse foi uma variável binária de resposta/não resposta à intervenção, definida como uma redução significativa nos sintomas de ansiedade ou depressão (redução de pelo menos 5 pontos na PHQ-9 ou pelo menos 4 pontos na GAD-7).
Usando dados clínicos de uma primeira aplicação do PHQ-9, do GAD-7 bem como dados demográficos, Foram treinados modelos de machine learning dos tipos: regressão logística, support vector machine, naive Bayes e random forest (RF). A performance dos modelos foi avaliada usando a técnica de 10-fold cross-validation e o método de imputação de dados utilizado para cada modelo foi avaliado e selecionado como parte do processo de cross-validation. O ajuste de hiper-parâmetros foi feito usando o método de exhaustive grid search. O principal indicador de performance dos modelos na fase de cross-validation foi a medida de receiver operating characteristics area under curve (ROC AUC).
Na etapa de cross-validaiton o algoritimo RF apresentou o melhor resultado (ROC AUC = 0.64) e foi utilizado em uma rodada de teste contra um conjunto de 279 novas observações, obtendo uma precisão não balanceada de 0.71 com ROC AUC de 0.60. Observou-se que participantes classificados como respondentes à intervenção tiveram uma redução média de 5,1 pontos do PHQ-9 e 5,5 no GAD-7, enquanto os não respondentes tiveram reduções médias de 2,4 e 1,8 respectivamente.
A quantidade de dados faltantes era considerável e provavelmente não aleatória, o que limita o desempenho de técnicas de imputação de dados. Os dados de testes usados na etapa final foram coletados de uma população diferente da que gerou os dados de treinamento, podendo ter prejudicado o desempenho preditivo dos modelos. O estudo não contou com uma base de comparação realista (aqui autores sugerem comparar a precisão dos modelos com o julgamento de clínicos).
A machine learning ensemble to predict treatment outcomes following an Internet intervention for depression
Rahel Pearson, Derek Pisner, Björn Meyer, Jason Shumake e Christopher G. Beevers.
Estudos apontam a eficácia de intervenções realizadas por Internet, mas poucos investigam a resposta ao tratamento em nível individual.
Aplicar técnicas de machine learning para prever resultados de uma intervenção psicológica voltada ao tratamento de depressão e realizada via Internet.
Os dados foram coletados como parte do ensaio clínico que avaliava a eficácia do programa Deprexis. Participaram do ensaior pessoas entre 18 e 55 anos que apresentassem sintomas moderados ou mais graves de depressão (pontuação >= a 10 no instrumento QIDS).
O Deprexis é um tratamento para transtorno depressivo maior realizado via Internet e que conta com um nível relativamente baixo de suporte de terapeutas. A intervenção consiste em 10 módulos de conteúdo cobrindo tópicos como ativação comportamental, reestruturação cognitva exercícios de relaxamento, mindfulness e outros.
Foram observados os níveis de sintomas depressivos por meio dos instrumentos Hamilton Rating Scale for Depression (HRSD), Sheehan Disability Scale (SDS) e a subescala Well-Being do Inventory of Depressive Symptoms (IDAS Well-Being).
Os modelos de machine learning dos tipos elastic net e random forest foram treinados utilizando dados clínicos e demográficos coletados antes da intervenção. A performance dos modelos foi avaliada durante o treinamento usando a técnica de nested cross-validation ; o método foi escolhido para evitar viéses otimistas observados em técnicas tradicionais de cross-validation com amostras pequenas.
As previsões dos modelos foram então combinadas usando uma média aritmética simples, gerando a previsão final do conjunto de modelos. O desempenho do conjunto de modelos foi comparado a de um modelo de regressão linear treinado com o mesmo conjunto de dados (modelo de benchmark), buscando observar as diferenças na variâncias explicadas pelas duas abordagens (o que os autores chamam de 'ganho do modelo').
Os autores também avaliaram a importância de cada preditor inserido no modelo por meio de uma ténica similar a SHAP, alterando o valor de uma variável por vez e observando as diferenças produziadas no resultado.
Dados faltantes foram imputados usando a técnica de miss forest, que utilizada uma combinação de regressões lineares e um algoritmo de random forest para gerar um valor artificial.
O modelo de benchmark explicou 16,6% da variância observada nos resultados do HRSD; o conjunto de modelos desenvolvidos explicou um adicional de 8%. Os preditores mais importantes foram: a pontuação em escalas de depressão antes da intervenção, comorbidades, nível de funcionamento, nível de engajamento com os módulos do Deprexis, credibilidade atribuída ao tratamento e disponibilidade de terapeutas.
O conjunto de modelos também apresentou ganhos ao explicar a variância no nível de funcionamento e no bem-estar dos participantes.
Ao analisar importância do uso de cada módulo do Deprexis, os autores observaram maior contribuição dos módulos de relaxamento, aceitação, relacionamentos e reestruturação cognitiva.
A amostra usada no estudo era pequena e relativamente homogênea, levando a um possível overfitting do modelo aos dados. Sem acesso a dados de intervenções comparáveis, não é prever a respostas da intervenção Deprexis em relação a uma alternativa.