引导式互联网交付认知行为疗法的依从性预测：一种最小数据敏感方法
摘要
互联网交付心理治疗（IDPT）被视为提升心理健康服务可及性的一条有效且可扩展的途径。在此背景下，由于医疗专业人员与患者之间的互动减少，治疗依从性成为一个尤其需要应对的关键挑战。与此同时，围绕个人数据使用的监管日益加强，例如《通用数据保护条例》（GDPR），使得数据最小化成为 IDPT 实际部署的核心考量。为此，本文提出一种基于自注意力（Self-Attention）的深度学习方法，仅依赖最小敏感的登录/登出时间戳数据来实现自动依从性预测。该方法在一个包含 342 名接受引导式互联网交付认知行为疗法（G-ICBT）治疗的患者的数据集上进行了测试。根据本文所用的依从性定义（即在 56 天内至少连接平台 8 次且每次时长超过一分钟），这 342 名患者中有 101 名（约 30%）被视为不依从（退出）。所提出的模型在疗程仅过去 56 天中的 20 天（约 1/3）后，即达到了超过 70% 的平均平衡准确率。本研究表明，仅使用最小敏感数据即可实现 G-ICBT 的自动依从性预测，从而有助于此类工具在真实世界 IDPT 平台中的部署。
引用
@article{arxiv.2201.04967,
title = {Adherence Forecasting for Guided Internet-Delivered Cognitive Behavioral Therapy: A Minimally Data-Sensitive Approach},
author = {Ulysse Côté-Allard and Minh H. Pham and Alexandra K. Schultz and Tine Nordgreen and Jim Torresen},
journal= {arXiv preprint arXiv:2201.04967},
year = {2022}
}
备注
Ulysse C\^ot\'e-Allard and Minh H. Pham share first authorship. Accepted for publication IEEE Journal of Biomedical and Health Informatics (IEEE JBHI). 12 pages, 8 figures, 3 tables. The dataset and code used in this work are available here: https://github.com/UlysseCoteAllard/AdherenceForecastingG-ICBT