Identification précoce du changement psychothérapeutique : prédicteurs dérivés de l'IA à partir de données de routineEarly identification of psychotherapeutic change: AI-derived predictors from routine data.
- Cinq items du Behavioral Health Measure mesurés lors des trois à cinq premières séances prédisent significativement l'évolution thérapeutique.
- Les prédicteurs incluent l'estime de soi, l'anxiété générale, la consommation de substances, l'attention cognitive et le but dans la vie professionnelle/scolaire.
- L'étude utilise des algorithmes d'optimisation par colonie de fourmis et une régression Lasso logistique pour sélectionner les items les plus pertinents.
L'article est pertinent bien que centré sur la psychothérapie générale plutôt que les troubles neurodéveloppementaux. L'utilisation d'IA dans l'identification précoce du changement thérapeutique présente un intérêt clinique modéré pour la neuropsychologie, mais ne constitue pas une priorité immédiate. La note reflète un intérêt modéré (60/100).
L'étude est une preuve de concept et nécessite une validation sur d'autres échantillons et contextes cliniques. Les données proviennent uniquement de centres de conseil universitaire, limitant la généralisation à d'autres populations. L'étude ne compare pas les prédictions de l'IA à des méthodes de jugement clinique standard. L'absence de données de suivi à long terme ne permet pas d'évaluer la stabilité des prédicteurs.
Cette étude de validation de concept analyse les données de 9 591 clients de centres de conseil universitaire ayant complété le Behavioral Health Measure de manière répétée. Deux approches d'IA (algorithme d'optimisation de colonie de fourmis et régression Lasso logistique) ont identifié cinq items prédictifs précoces (estime de soi, anxiété générale, consommation de substances, attention cognitive et but dans la vie professionnelle/scolaire) du changement cliniquement significatif. Les résultats suggèrent que les plateformes de soins basés sur les mesures pourraient bénéficier d'une attention accrue à ces signaux pour améliorer le suivi thérapeutique.
Cinq items du Behavioral Health Measure mesurés lors des trois à cinq premières séances prédisent significativement l'évolution thérapeutique. Les prédicteurs incluent l'estime de soi, l'anxiété générale, la consommation de substances, l'attention cognitive et le but dans la vie professionnelle/scolaire. L'étude utilise des algorithmes d'optimisation par colonie de fourmis et une régression Lasso logistique pour sélectionner les items les plus pertinents. Les résultats proviennent d'un large échantillon de 9 591 clients issus de centres de conseil universitaire.
Les thérapeutes pourraient utiliser ces cinq items comme indicateurs précoces de l'efficacité thérapeutique, permettant d'ajuster le traitement plus rapidement. Les plateformes de soins basés sur les mesures pourraient intégrer ces prédicteurs pour fournir un retour d'information plus ciblé aux cliniciens. Cette approche pourrait améliorer la personnalisation des interventions en identifiant les domaines nécessitant une attention particulière en début de thérapie.
Modéré