MARC

 008260126s2024        us                              c    eng  d
■001000017359051
■00520260202104827
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265408402
■035    ▼a(MiAaPQ)AAI32170018
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a157
■1001  ▼aHorn,  Rachel  L.
■24510▼aIdentifying  Predictors  of  Success  in  Youth  Mental  Health  Care:  A  Random  Forest  Analysis  of  Evidence-Based  Treatment  in  Outpatient  Community  Clinics
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a98  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Weisz,  John.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aObjective:  Research  has  shown  dozens  of  treatment  protocols  to  be  effective  in  addressing  mental  health  problems  in  youth.  However,  the  research  has  focused  largely  on  group-level  effects,  with  less  research  examining  which  youths  respond  to  a  given  treatment  option.  The  research  that  has  tested  predictors  and  candidate  moderators  of  treatment  effects  has  largely  relied  on  regression  analyses.  Recently,  psychological  treatment  research  has  begun  to  incorporate  various  machine  learning  (ML)  techniques,  and  these  methods  are  presumed  to  outperform  regression  analyses;  however,  few  studies  have  tested  this  assumption.  This  dissertation  included  two  studies  designed  to  help  fill  that  gap.  Both  studies  aimed  to  identify  predictors  of  youth  psychotherapy  outcomes  using  traditional  regression  methods  and  using  ML-random  forest,  specifically-so  that  findings  with  the  two  methods  could  be  compared.  Study  1  used  data  from  youths  who  were  treated  with  Trauma-Focused  Cognitive-Behavioral  Therapy  (TF-CBT).  Study  2  used  data  from  youths  who  were  treated  with  the  Modular  Approach  to  Therapy  for  Children  (MATCH).  Both  studies  addressed  three  questions:  (1)  Do  youth  characteristics  predict  treatment  outcomes  with  random  forest?  (2)  Do  clinician  factors  predict  treatment  outcome  with  random  forest?  and  (3)  Does  random  forest  outperform  traditional regression  in  the  prediction  of  treatment  outcomes  from  youth  characteristics  and  clinician  factors?Method:  Participants  were  youths  ages  7-19  who  were  treated  with  TF-CBT  (N1  =  5503)  or  MATCH  (N2  =  2292)  in  outpatient  clinics  in  Connecticut  between  2012  and  2022.  For  each  treatment,  a  random  forest  and  regression  model  were  built  to  predict  symptom  outcomes  using  youth  demographics  (e.g.,  age  at  intake),  youth  clinical  features  (e.g.,  baseline  symptom  severity),  clinician  demographics  (e.g.,  sex),  and  clinician  professional  features  (e.g.,  licensure  status).  An  additional  regression  model  was  built  to  predict  symptom  outcome  using  only  the  baseline  severity  on  the  outcome  measure  to  assess  whether  the  additional  predictors  included  in  the  other  two  models  enhanced  predictive  accuracy.  Variable  importance  data  and  a  feature  selection  program,  both  based  in  random  forest,  were  used  to  identify  important  predictors  for  answering  questions  (1)  and  (2).  Root  mean  squared  error  and  R2  were  calculated  on  a  withheld  test  set  to  compare  model  fits  for  question  (3).Results:  In  study  1,  TF-CBT  outcomes  on  the  Child  PTSD  Symptom  Scale  (CPSS)  were  predicted  by  10  youth  features  and  4  clinician  features.  The  baseline  score  on  the  CPSS  was  the  strongest  youth-based  predictor,  with  higher  baseline  symptoms  associated  with  larger  improvement  but  ultimately  higher  symptoms  after  treatment;  TF-CBT  credential  status  was  the  strongest  clinician-based  predictor,  with  youths  seeing  credentialed  clinicians  demonstrating  a  poorer  symptom  outcome  compared  to  those  seeing  uncredentialed  clinicians.  The  random  forest  generated  a  stronger  predictive  model  for  the  test  set  than  either  regression  approach  (R2  =  0.61,  RMSE  =  6.48).  In  study  2,  MATCH  outcomes  on  the  youth  reported  Ohio  Problem  Severity  Scale  were  predicted  by  12  youth  features  and  5  clinician  features.  The  baseline  report  on  the  outcome  measure  was  the  strongest  youth-based  predictor  of  outcome,  again  with  more symptomatic  youth  at  baseline  showing  larger  improvements  but  ultimately  remaining  more  symptomatic  after  treatment.  Hours  of  MATCH  training  completed  was  the  strongest  clinician-based  predictor  of  outcome,  with  youth  symptoms  declining  as  clinician  MATCH  training  increased  to  70  hours.  The  random  forest  generated  a  stronger  predictive  model  than  either  regression  approach  (R2  =  0.45,  RMSE  =  6.30).Conclusions:  In  both  studies,  random  forest  outperformed  traditional  regression  analyses,  but  the  margin  of  benefit  varied.  Psychologists  and  other  statisticians  should  consider  the  purpose  of  their  analyses  (namely,  predictive  accuracy  versus  feature  identification  versus  effect  quantification)  when  selecting  between  random  forest  or  other  machine  learning  methods  and  regression,  since  the  "black  box"  nature  of  machine  learning  means  its  accuracy  comes  at  the  expense  of  model  interpretability.  Youth  clinical  features,  especially  baseline  symptom  severity,  explained  much  of  the  outcome  variance.  Modular,  transdiagnostic  treatments  may  be  more  challenging  than  more  standardized  treatments  to  model  accurately  because  of  the  individualized  course  of  treatment  for  each  youth.  To  explain  the  variance  that  remains  unaccounted  for  across  the  two  studies,  future  work  may  benefit  from  the  inclusion  of  features  that  were  not  measured  here,  including  clinician  "soft  skills"  like  warmth  and  youth  features  like  treatment  motivation,  as  well  as  the  investigation  of  appropriate  outcome  measures  for  analyses  of  transdiagnostic  treatment  protocols  (i.e.,  different  measures  for  different  presenting  problems).
■590    ▼aSchool  code:  0084.
■650  4▼aClinical  psychology
■650  4▼aMental  health
■650  4▼aBehavioral  psychology
■650  4▼aCognitive  psychology
■653    ▼aEvidence-based  treatments
■653    ▼aMachine  learning
■653    ▼aPersonalized  medicine
■653    ▼aCognitive  behavioral  therapy
■653    ▼aYouth  mental  health
■690    ▼a0622
■690    ▼a0347
■690    ▼a0633
■690    ▼a0384
■71020▼aHarvard  University▼bPsychology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359051▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서