Startsida
Hjälp
Sök i LIBRIS databas

     

 

Sökning: onr:x9j5m623vq4p43nr > Looking into the fu...

Looking into the future : how to use advanced statistical methods for predicting psychotherapy outcomes in routine care / Carl-Johan Uckelstam.

Uckelstam, Carl-Johan, 1983- (författare)
Falkenström, Fredrik, 1972- (preses)
Philips, Björn (preses)
Holmqvist, Rolf, 1948- (preses)
Zilcha-Mano, Sigal (opponent)
Linköpings universitet. Institutionen för beteendevetenskap och lärande (utgivare)
Alternativt namn: Engelska: Linköping University Department of Behavioural Science and Learning
Alternativt namn: Institutionen för beteendevetenskap och lärande, Linköpings universitet
Alternativt namn: IBL
Alternativt namn: Department of Behavioural Science and Learning, Linköping University
Se även: Linköpings universitet Institutionen för beetendevetenskap
Se även: Linköpings universitet Institutionen för utbildningsvetenskap
Linköpings universitet. Filosofiska fakulteten (utgivare)
Alternativt namn: Linköping University. Faculty of Arts and Sciences
Se även: Universitetet i Linköping. Filosofiska fakulteten
Edition 1
Publicerad: Linköping : Linköping University, Department of Behavioural Sciences and Learning, 2021
Engelska 1 onlineresurs (70 sidor)
Serie: Linköping studies in arts and sciences, 0282-9800 ; 803
Serie: Linköping studies in behavioural science, 1654-2029 ; 226
Läs hela texten (Sammanfattning och ramberättelse från Linköping University Electronic Press)
Läs hela texten
Läs hela texten
  • E-bokAvhandling(Diss. (sammanfattning) Linköping : Linköpings universitet, 2021)
Sammanfattning Ämnesord
Stäng  
  • Psychotherapy research has shifted from mainly focusing on the average effects of different treatments to concentrating more on questions related to the individual patient. When research attention shifts, it can give rise to the implementation of new statistical methods that, in turn, can illuminate new challenges that must be addressed. The aim of the thesis was to study how traditional methods for predicting certain psychotherapy outcomes have been conducted in the past, and how more advanced statistical methods might be used to enhance knowledge of how to predict these outcomes today. Three studies were performed: Paper I focused on how Multi Level Modeling (MLM) can be used to study certain aspects of the relationship between working alliance and treatment outcome. In Paper II, Latent Profile Analysis (LPA) and item-level analysis were used to give nuance to the relationship between psychological distress at baseline and change rate during treatment. Finally, in Paper III, Machine Learning (ML) was used to detect dropout patients in the early phase of treatment by exploring complex patterns of symptom distress during the early phase of treatment. The thesis showed how different goals of scientific exploration can be studied in the context of routine care with the use of these statistical frameworks and discussed some of the challenges and opportunities worth noting when entering this line of research.  
  • Psykoterapiforskning har på senare tid gått från att fokusera på genomsnittliga effekter av olika behandlingsinriktningar, till att inrikta sig mer mot den enskilda patienten. När fokus förflyttas på det här sättet kan det leda till att nya statistiska metoder behöver tillämpas vilket i sin tur kan leda till nya utmaningar för psykoterapiforskaren. Syftet med avhandlingen var att undersöka hur traditionella statistiska metoder har använts för att studera olika typer av psykoterapiutfall i rutinmässig vård, och hur mer avancerade statistiska metoder kan tillämpas för att öka kunskapen om hur dessa utfall kan prediceras. Tre studier genomfördes. Studie I fokuserade på hur flernivåanalys kan användas för att studera relationen mellan arbetsallians och behandlingsutfall. I studie II användes latent profilanalys för att studera sambandet mellan psykologiska besvär vid det första besöket och symptomförändring under behandlingens gång. Slutligen, I studie III, tillämpades maskininlärning för att upptäcka patienter med risk att hoppa av behandlingen i förtid. Sammanfattningsvis belystes i avhandlingen hur olika typer av vetenskapliga frågeställningar kan studeras i en klinisk kontext med hjälp av dessa statistiska ramverk samt några av de fördelar och begräsningar som är viktiga att notera när de tillämpas. 

Ämnesord

Psykoterapi  (sao)
Prognoser  (sao)
Statistisk metod  (sao)
Maskininlärning  (sao)
Social Sciences  (ssif)
Psychology  (ssif)
Applied Psychology  (ssif)
Samhällsvetenskap  (ssif)
Psykologi  (ssif)
Tillämpad psykologi  (ssif)
Forecasting  (lcsh)
Statistics  (lcsh)
Machine learning  (lcsh)
Psychotherapy  (lcsh)

Genre

government publication  (marcgt)

Indexterm och SAB-rubrik

Statistics
Machine learning
Multilevel modeling
Latent profile analysis
Prediction
Psychotherapy
Routine care
Outcome
Statistik
Maskininlärning
Latent profilanalys
Flernivåanalys
Prediktion
Psykoterapi
Rutinmässig vård
Utfall

Klassifikation

616.89140112 (DDC)
Vlbd (kssb/8 (machine generated))
Inställningar Hjälp

Titeln finns på 1 bibliotek. 

Bibliotek i östra Sverige (1)

Ange som favorit
Om LIBRIS
Sekretess
Hjälp
Fel i posten?
Kontakt
Teknik och format
Sök utifrån
Sökrutor
Plug-ins
Bookmarklet
Anpassa
Textstorlek
Kontrast
Vyer
LIBRIS söktjänster
SwePub
Uppsök

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

Copyright © LIBRIS - Nationella bibliotekssystem

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy