Clinical Psychological Science· 2026Q1
Makine Öğrenmesini Depresyon Tedavisini Kişiselleştirmek İçin Kullanmak: Dijital Tek Oturum Müdahalesine veya Bekleme Listesine Rastgele Atanan 828 Yetişkin Üzerine Ön Kayıtlı Bir Çalışma
Leveraging Machine Learning to Personalize Depression Treatment: A Preregistered Study of 828 Adults Randomly Assigned to a Digital Single-Session Intervention or Waitlist
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Bir makine öğrenmesi algoritması (Kişiselleştirilmiş Avantaj İndeksi), 828 yetişkin üzerinde yapılan bir çalışmada, dijital tek oturum depresyon müdahalesinden (COMET) daha fazla yararlanacak yetişkinleri belirleyemedi ve bekleme listesi kontrolüne kıyasla istatistiksel olarak anlamlı bir etkileşim bulunamadı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Kişiselleştirilmiş Avantaj İndeksi (PAI) adlı makine öğrenmesi algoritması, yetişkinleri dijital tek oturum müdahalesi (COMET) veya bekleme listesi kontrolüne eşleştirmek için geliştirildi.
- Çalışmaya COMET veya bekleme listesine rastgele atanan 828 yetişkin dahil edildi.
- PAI, 2 haftalık tedavi sonrası depresif belirtileri tahmin etmede tedavi atamasıyla istatistiksel olarak anlamlı bir etkileşim göstermedi.
- Bulgular, dijital tek oturum müdahaleleri için kişiselleştirilmiş tedavi önerileri geliştirmenin zorluğunu ortaya koymaktadır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Some digital single-session interventions (SSI) for depression appear effective, at least in youths, but not everyone benefits. In the present study, we use machine-learning methods to develop a treatment-matching algorithm for a digital SSI, the Common Elements Toolbox (COMET), versus a waitlist control. Eight hundred twenty-eight adults with a current or past mental-health problem were randomly assigned to COMET or a waitlist control. Elastic-net-regularization models with 10-fold cross-validation were used to develop a Personalized Advantage Index (PAI) indicating the relative benefit of receiving COMET over the waitlist in 2-week posttreatment depressive symptoms. In the 20% held-out test data, PAI did not interact with treatment to predict depression severity after treatment (β = 0.880, SE = 1.21, t = −0.72, p = .47), indicating that our treatment-matching algorithm was not able to provide statistically significant recommendations. Even in a large sample, personalized treatment recommendations for digital SSIs are difficult to develop.
Yazarların özeti; kaynağından alınmıştır. Clinical Psychological Science, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Uygulamalı Psikoloji
Applied PsychologyPsychology