Please use this identifier to cite or link to this item: https://doi.org/10.48548/pubdata-653
Full metadata record
FieldValue
Resource typeDissertation
Title(s)Supporting Therapy Success by Developing Predictive Models in E-Mental-Health
Alternative title(s)Unterstützung von Therapieergebnissen durch die Entwicklung von Vorhersagemodellen in E-Mental-Health
DOI10.48548/pubdata-653
Handle20.500.14123/688
CreatorBremer, Vincent  0000-0002-0304-5859  1238058183
RefereeFunk, Burkhardt  0000-0001-5855-2666  105142156X
Riper, Heleen  0000-0002-8144-8901
Niemeyer, Peter  1051421551
AdvisorFunk, Burkhardt  0000-0001-5855-2666  105142156X
AbstractMental health is an important factor in an individuals' life. Online-based interventions have been developed for the treatment of various mental disorders. During these interventions, a large amount of patient-specific data is gathered that can be utilized to increase treatment outcomes by informing decision-making processes of psychotherapists, experts in the field, and patients. The articles included in this dissertation focus on the analysis of such data collected in digital psychological treatments by using machine learning approaches. This dissertation utilizes various machine learning methods such as Bayesian models, regularization techniques, or decision trees to predict different psychological factors, such as mood or self-esteem, dropout of patients, or treatment outcomes and costs. These models are evaluated using a variety of performance metrics, for example, receiver operating characteristics curve, root mean square error, or specialized performance metrics for Bayesian inference. These types of analyses can support decision- making for psychologists and patients, which can, in turn, lead to better recommendations and subsequently to increased outcomes for patients and simultaneously more insight about the interplay between psychological factors. The analysis of user journey data has not yet been fully examined in the field of psychological research. A process for this endeavor is developed and a technical implementation is provided for the research community. The application of machine learning in this context is still in its infancy. Thus, another contribution is the exploration and application of machine learning techniques for the revelation of correlations between psychological factors or characteristics and treatment outcomes as well as their prediction. Additionally, economic factors are predicted to develop a process for treatment type recommendations. This approach can be utilized for finding the optimal treatment type for patients on an individual level considering predicted treatment outcomes and costs. By evaluating the predictive accuracy of multiple machine learning techniques based on various performance metrics, the importance of considering heterogeneity among patients' behavior and affect is highlighted in some articles. Furthermore, the potential of machine learning-based decision support systems in clinical practice has been examined from a psychotherapists' point of view.

Die psychische Gesundheit ist ein wichtiger Faktor im Leben eines jeden Menschen. Für die Behandlung verschiedener psychischer Störungen wurden online-basierte Interventionen entwickelt. Während dieser Interventionen wird eine große Menge an patientenspezifischen Daten gesammelt, die zur Verbesserung der Behandlungsergebnisse genutzt werden können, indem sie in die Entscheidungsprozesse von Psychotherapeuten, Fachleuten und Patienten einfließen. Die in dieser Dissertation enthaltenen Artikel befassen sich mit der Analyse solcher Daten, die bei digitalen psychologischen Behandlungen mit Hilfe von Ansätzen des maschinellen Lernens gesammelt werden. Es werden dabei verschiedene Methoden des maschinellen Lernens wie Bayes'sche Modelle, Regularisierungstechniken oder Entscheidungsbäume eingesetzt, um verschiedene psychologische Faktoren wie Stimmung oder Selbstwertgefühl, Dropout von Patienten oder Behandlungsergebnisse und Kosten vorherzusagen. Diese Modelle werden anhand verschiedener Leistungskennzahlen bewertet, z. B. anhand der Receiver-Operating-Characteristics-Kurve, des mittleren quadratischen Fehlers oder spezieller Leistungskennzahlen für Bayes'sche Inferenzen. Diese Art von Analysen kann die Entscheidungsfindung von Psychologen und Patienten unterstützen, was wiederum zu besseren Empfehlungen und in der Folge zu besseren Ergebnissen für die Patienten und gleichzeitig zu mehr Einsicht in das Zusammenspiel psychologischer Faktoren führen kann. Die Analyse von User-Journey-Daten ist in der psychologischen Forschung noch nicht umfassend untersucht worden. Hierfür wird ein Verfahren entwickelt und eine technische Umsetzung für die Forschungsgemeinschaft bereitgestellt. Die Anwendung von maschinellem Lernen in diesem Zusammenhang steckt noch in den Kinderschuhen. Ein weiterer Beitrag ist daher die Erforschung und Anwendung von maschinellen Lernverfahren zur Aufdeckung von Korrelationen zwischen psychologischen Faktoren oder Merkmalen und Behandlungsergebnissen sowie deren Vorhersage. Zusätzlich werden wirtschaftliche Faktoren vorhergesagt, um ein Verfahren für Behandlungsempfehlungen zu entwickeln. Dieser Ansatz kann genutzt werden, um die optimale Behandlungsart für Patienten auf individueller Ebene unter Berücksichtigung der vorhergesagten Behandlungsergebnisse und Kosten zu finden. Durch die Bewertung der Vorhersagegenauigkeit mehrerer maschineller Lernverfahren auf der Grundlage verschiedener Leistungsmetriken wird in einigen Artikeln die Bedeutung der Berücksichtigung der Heterogenität des Patientenverhaltens hervorgehoben. Darüber hinaus wurde das Potenzial von auf maschinellem Lernen basierenden Entscheidungsunterstützungssystemen in der klinischen Praxis aus der Sicht von Psychotherapeuten untersucht.
LanguageEnglish
DDC158 :: Angewandte Psychologie
Date of defense2021-07-13
Year of publication in PubData2021
Publishing typeFirst publication
Date issued2021-09-09
Creation contextResearch
Faculty / departmentFakultät Wirtschaftswissenschaften / Institut für Wirtschaftsinformatik (IIS)
Alternative Idenfier(s)urn:nbn:de:gbv:luen4-opus4-11830
NotesDas Rahmenpapier der kumulativen Dissertation enthält sechs Beiträge.
Date of Availability2024-05-30T13:41:27Z
Archiving Facility Medien- und Informationszentrum (Leuphana Universität Lüneburg  02w2y2t16)
Granting InstitutionLeuphana Universität Lüneburg
Published byMedien- und Informationszentrum, Leuphana Universität Lüneburg
  Related Resources
Files in This Item:
File SizeFormat 

Diss_2021_Bremer_Vincent_Supporting.pdf
MD5: adba5a875b2088a141e900c1644d59a2
License:  Nutzung nach Urheberrecht
open-access

3.57 MB

Adobe PDF
View/Open

Items in PubData are protected by copyright, with all rights reserved, unless otherwise indicated.

Citation formats
Access statistics

Page view(s): 8

Download(s): 4