Subscribe to RSS
DOI: 10.1055/a-2137-8561
Digitalisierung und maschinelles Lernen in der Psychotherapieforschung und Praxis – Potentiale und Probleme
Digitization and Machine Learning in Psychotherapy Research and Clinical Practice – Potentials and Problems![](https://www.thieme-connect.de/media/ppmp/20230910/lookinside/thumbnails/21378561_10-1055-a-2137-8561-1.jpg)
Im Zuge des weltweiten Anstieges der Bedeutung von psychischen Störungen [1], werden frühzeitige Interventionen und wirksame psychotherapeutische Behandlungen für ein funktionierendes Gesundheitssystem immer wichtiger. Der aktuelle Stand der Psychotherapieforschung zeigt jedoch, dass nicht alle Patient:innen gleichermaßen von Psychotherapie profitieren, sondern dass die meisten Patient:innen (70–80%) zwar deutliche Verbesserung zeigen, während andere nur geringe oder keine Fortschritte erzielen oder sogar Verschlechterungen erfahren [2]. Dies impliziert eine stärkere Berücksichtigung von individuellen Unterschieden von Patient:innen und deren Therapieverlauf in der Psychotherapieforschung, sowie eine stärkere Refokussierung auf ungünstige Therapieverläufe und Abkehr von der Frage nach durchschnittlichen Unterschieden zwischen den verschiedenen Therapieverfahren oder Therapieschulen.
Publication History
Article published online:
04 October 2023
© 2023. Thieme. All rights reserved.
Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany
-
Literatur
- 1 World Health Organization. World mental health report: Transforming mental health for all. 2022
- 2 Lutz W, Castonguay LG, Lambert MJ. et al. Traditions and new beginnings: Historical and current perspectives on research in psychotherapy and behavior change. In M. Barkham, W. Lutz, L.G. Castonguay (Eds.), Bergin and Garfield’s Handbook of Psychotherapy and Behavior Change (7. Aufl.). New Jersey, NJ: Wiley; 2021: 3-18
- 3 Lutz W, Schwartz B, Delgadillo J. Measurement-Based and Data-Informed Psychological Therapy. Annual Review of Clinical Psychology 2022; 18: 71-98
- 4 Delgadillo J, Atzil-Slonim D. Artificial intelligence, machine learning and mental health. 2022
- 5 Lutz W, Deisenhofer AK, Rubel J. et al. Prospective evaluation of a clinical decision support system in psychological therapy. Journal of Consulting and Clinical Psychology 2022; 90: 90-106 DOI: 10.1037/ccp0000642.
- 6 DeRubeis RJ, Cohen ZD, Forand NR. et al. The Personalized Advantage Index: Translating research on prediction into individualized treatment recommendations. A demonstration. PLOS ONE 2014; 9: e83875 DOI: 10.1371/journal.pone.0083875.
- 7 Schwartz B, Cohen ZD, Rubel JA. et al. Personalized treatment selection in routine care: Integrating machine learning and statistical algorithms to recommend cognitive behavioral or psychodynamic therapy. Psychotherapy Research 2021; 31: 33-51 DOI: 10.1080/10503307.2020.1769219.
- 8 Cohn JF, Cummins N, Epps J. et al . Multimodal assessment of depression from behavioral signals. In The handbook of multimodal-multisensor interfaces: Signal processing, architectures, and detection of emotion and cognition-volume 2018; 2: 375-417
- 9 Eberhardt ST, Schaffrath J, Moggia D. et al. Decoding emotions: Multimodal measurement of emotions in psychotherapy using NLP-based sentiment analysis. [Manuscript submitted for publication]. 2023
- 10 Terhürne P, Schwartz B, Baur T. et al. Validation and application of the Non-Verbal Behavior Analyzer: An automated tool to assess non-verbal emotional expressions in psychotherapy. Front Psychiatry 2022; 13: 1026015 DOI: 10.3389/fpsyt.2022.1026015.
- 11 Prinz J, Rafaeli E, Reuter JK. et al. Physiological activation and co-activation in an imagery-based treatment for test anxiety. Psychotherapy Research 2022; 32: 238-248 DOI: 10.1080/10503307.2021.1918353.
- 12 Hehlmann MI, Schwartz B, Lutz T. et al. The use of digitally assessed stress levels to model change processes in CBT - A feasibility study on seven case examples. Frontiers in Psychiatry 2021; 12: 613085 DOI: 10.33897/fpsyt-2021.613085et.
- 13 Hehlmann MI, Moggia D, Schwartz B. et al Outcome prediction in psychological therapy with continuous time dynamic modeling of affective states and emotion regulation. 2023 in press
- 14 Lutz W, Schwartz B, Hofmann SG. et al. Using network analysis for the prediction of treatment dropout in patients with mood and anxiety disorders. A methodological proof-of-concept study. Scientific Reports 2018; 8: 7819 DOI: 10.1038/s41598-018-25953-0.
- 15 Lutz W, Rubel JA, Schwartz B. et al. Towards integrating personalized feedback research into clinical practice: Development of the Trier Treatment Navigator (TTN). Behaviour Research and Therapy 2019; 120: 103438 DOI: 10.1016/j.brat.2019.103438.
- 16 Stade E, Stirman SW, Ungar LH. et al. Artificial intelligence will change the future of psychotherapy: A proposal for responsible, psychologist-led development. PsyArXiv 2023; DOI: 10.31234/osf.io/cuzvr.