In dit project wordt onderzocht of met behulp van machine learning technieken behandeluitkomsten voorspeld kunnen worden.
Voorspellen van behandeluitkomsten
Binnen de MGGZ is het gebruikelijk dat er bij aanvang en aan het einde van een behandeling vragenlijsten worden afgenomen, om zo het klachtniveau en het beloop hiervan te bepalen. De zogenoemde Routine Outcome Monitoring.
De focus van dit onderzoek is of er door middel van Machine Learning een voorspellende waarde gekoppeld kan worden aan de voormeting. Meer specifiek wordt onderzocht of er bij deelnemers van de Oplossingsgerichte Deeltijdbehandeling, op basis van hun voormeting, een voorspelling kan worden gemaakt voor de kans op drop-out; volledige deelname zonder verbetering van klachten; volledige deelname met afname van klachten; volledige deelname met toename van klachten.
Wanneer er een relevante voorspellende waarde kan worden toegekend aan de voormeting van de ROM, kan het behandelteam deze informatie gebruiken om toe te passen in het verbeteren van de gepersonaliseerde zorg binnen deze behandelmodule.
Verschillende algoritmes uit de Machine Learning zullen worden getest om zo het meest voorspellende model te kunnen ontwikkelen. De sensitiviteit en specificiteit zullen worden bepaald door middel van K-fold validatie en berekening van positief/negatief voorspellingswaarde. De features voor het algoritme zullen bestaan uit items van de vragenlijsten BSI, COPE EASY en WHOQOL-bref en de demografische gegevens leeftijd, geslacht en opleidingsniveau. De beoogde N = 90, waarvan trainingset N= 60 en validatieset N=30.
Dit onderzoek wordt uitgevoerd in het kader van de opleiding tot Klinisch Psycholoog.
Onderzoeker: LTZ 1 drs. V.E.H. Majoie, GZ Psycholoog bij Regiocentrum Midden van de MGGZ.
Onderzoeksbegeleider: dr. A.D. de Weijer