没有合适的资源?快使用搜索试试~ 我知道了~
互联网干预31(2023)100607会话之间的天数预测基于文本的互联网干预的流失暴饮暴食症Jakob Linneta,c,*,1,SørenPeter Thygesen Hertza,Esben Skov Jensen a, b,EikRunge a,Kristine Hæstrup Hindkjær Tarpa,b,Trine Theresa Holmberga,KimMathiasena, b,Mia Beck数字精神病学中心,丹麦b南丹麦c丹麦欧登塞大学医院职业和环境医学部赌博和暴食症诊所A R T I C L EI N FO保留字:基于互联网的干预认知行为疗法治疗依从性和依从性敏感性和特异性暴食症A B S T R A C T背景:在心理治疗中,两次治疗之间的天数作为一个损耗的预测因子常常被忽视。在基于文本的互联网干预中,会话之间的天数可能是一个简单而强大的流失预测因子。目的:我们假设,在一个12个疗程的基于互联网的认知行为治疗(iCBT)项目中,两个疗程之间的天数增加了暴饮暴食症(BED)参与者的自然减员可能性。参加者可以在他们方便的时候参加会议,并得到心理学家的书面支持。材料和方法:我们比较了201名轻度至中度卧床的成年受试者(85名未完成者和116名完成者)在两次会议之间的天数,以预测磨损率。结果:混合模型二项逻辑回归显示,未完成者花费的天数当控制年龄、性别和BMI、BED、总体健康状况(EQ VAS)和抑郁症状(MDI)的摄入量指标时,前四个治疗阶段(1-4)之间的差异<年龄(OR= 0.976,p 0.001)和EQ VAS(OR= 0.984,p 0.001)也具有显著性。<<参与者每多花一天时间完成一次会议,自然减员的风险就增加4. 2%受试者工作特征(ROC)曲线分析显示,分类准确性从第1阶段的61.1%和第2阶段的65.7%增加到第3阶段的68.8%和第4阶段的73.2%。第4阶段的最佳截止点为17.5天,检测到60.4%的未完成者(敏感性)和78.4完成者%(特异性)。两次治疗之间的探索性重复测量ANOVA显示出显著的受试者内效应,其中未完成者和完成者在两次治疗之间花费的天数随着他们从第1 - 4次(F=20.54,df=3,p.001)。<没有交互作用,这表明,斜率在未完成者和完成者之间没有差异结论:在两次治疗之间花费更多时间的参与者退出治疗的风险增加这可能对确定减少自然减员的措施具有重要意义,例如,通过自动提醒或治疗师信息加强干预。我们的研究结果可能对基于文本的互联网干预具有重要的跨诊断意义。进一步的研究应该调查在其他诊断中会话之间* 通讯作者:数字精神病学中心,丹麦南部地区的精神卫生服务,Heden 11,5000 Odense C,丹麦。电子邮件地址:Jakob. rsyd.dk(J.Linnet)。1.欧登塞大学医院职业和环境医学部赌博和暴食症诊所,Kløvervænget 3 #140, 5000 Odense C,丹麦.https://doi.org/10.1016/j.invent.2023.100607接收日期:2022年9月17日;接收日期:2023年1月31日;接受日期:2023年2月10日2023年2月11日在线提供2214-7829/© 2023作者。由Elsevier B. V.发布,这是CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表互联网干预期刊主页:www.elsevier.com/locate/inventJ. Linnet等人互联网干预31(2023)10060721. 介绍暴食症(BED)是一种饮食失调,其特征是反复发作的暴食,缺乏对饮食的控制,以及症状的明显痛苦(美国精神病学协会,2013)。BED与以下五种暴饮暴食症状中的至少三种相关:(1)吃得比正常人快;(2)吃到不舒服的饱;(3)在不饿的时候吃;(4)由于尴尬而独自进食;(5)之后感到恶心,沮丧或内疚。暴饮暴食事件必须每周至少发生一次,持续三个月。与神经性贪食症不同,BED与呕吐等代偿行为无关。基于互联网的干预措施可有效治疗精神健康障碍,包括进食障碍(Bauer和Moessner,2013; Fairburn和Murphy,2015; Melioli等人,2016年)。基于文本的互联网认知行为疗法(iCBT)已被证明在治疗BED中是有效的(Jensen等人,2020; Wyssen等人,2021年)。虽然iCBT是有效的,但一些使用基于文本的互联网干预的研究报告了高损耗率(Beintner等人,2020; Puls等人,2020年)。因此,确定流失的预测因素以提高依从性至关重要。一些研究检查了饮食失调的常规治疗中的依从性和治疗效果的预测因子(Fassino等人,2009; Vall和Wade,2015),但目前对基于文本的互联网干预中的此类预测因子知之甚少。与常规治疗相比,基于互联网的治疗中的数据测量(Manwaring等,2008年)。因此,iCBT在识别损耗和治疗结果的客观预测因子方面是有利的,并且一些可能具有跨诊断性质(Linnet等人, 2022年)。基线措施(例如,预测试)在识别iCBT中的依从性和治疗效果方面表现出较差或混合的性能(Bremer等人,2018年)。因此,有越来越多的兴趣在调查过程中的变量,描述患者如何在治疗过程中对治疗的反应。iCBT中的预测过程测量的示例包括会话之间的症状评分(Forsell等人,2020; Forsell等人,2019)以及基于文本的干预中的单词和消息数量(Linnet等人,2022; Van derZanden等人, 2014; Wallert等人, 2018年)。一般来说,在治疗干预措施中,损耗因素往往是不确定的。探索(Aardoom等人,2013),因此对研究和临床实践的重要意义缺失,这可能有助于提高依从性。一些研究调查了依从性和依从性之间的关系,涉及:完成自我监测日记的天数(Carrard et al.,2011 a; Carrard等人,2011年b);在治疗材料上花费的时间(Manwaring例如,2008;Puls等人,2020);等待治疗的天数(Linnet和Pedersen,2014);治疗前的个人联系和治疗期间的电子邮件通信(Brauhardt等人,2014年)的报告。大多数研究集中在症状严重程度、合并症和人口统计学因素与完成程度的比较(von Brachel例如, 2014; Wagner等人, 2015年)。目前对iCBT中会话之间的天数的预测特性知之甚少。在基于文本的互联网干预中,会话之间的天数可能是一个有希望的磨损和依从性预测因子,患者可以控制何时登录治疗。这与传统治疗形成鲜明对比,在传统治疗中,患者通常依赖治疗师的可用性来获得治疗。总之,目前文献中关于治疗损耗的两次治疗之间天数的预测特性存在差距。本研究旨在通过调查两次会议之间的天数,利用一种新的方法来预测基于文本的互联网干预的流失率,以解决这一知识差距。据我们所知,这是第一次研究基于文本的互联网干预中会话之间的天数。我们假设参与者在两次治疗之间花费更多的时间会增加退出治疗的风险2. 材料和方法2.1. 设计与伦理参与者参加了一个名为“暴饮暴食症的互联网治疗”(iBED)的12次基于文本的iCBT计划已经发表了关于iBED计划的几项研究(Holmberg等人, 2022; Jensen等人,2020; Linnet等人,2022; Runge等人,2022年)。参与者在一项务实的队列设计中得到了心理学家的书面支持。该方案的目的是让参与者每周完成一次会议;在实践中,许多参与者花了更长的时间,而少数人花了更短的时间完成。该计划是托管在一个数字治疗平台(Minddistrict)。iBED由书面心理教育和治疗练习组成,内容包括目标设定、稳定饮食模式、识别暴饮暴食触发因素、解决问题的技能、新的应对策略和预防复发。参与者完成练习,并在进行下一次练习之前接受治疗师对每次练习的书面支持。与会者可以在他们方便的时候就会议开展工作。许多参与者强调这是寻求在线治疗的主要动机,因为它使他们能够将治疗计划融入他们的工作或家庭时间表。治疗师向参与者提供异步反馈,即,其他-咨询师不会实时回答参与者的问题。在参与者完成课程后,治疗师有长达七天的时间提供反馈。治疗师会向不活跃的参与者发送提醒。治疗师的临床指南是,如果参与者在以下时间内不活动,>14天。参与者在进入治疗前(预测试)、第一阶段(称为“第0阶段”)和最后一阶段(“第11阶段”,后测试)完成问卷。第0次会议被标记为“0“,以表明这是在开始该计划的治疗练习之前的介绍性欢迎会议。所有参与者都提供了数字书面知情同意书,以参与治疗计划。所有程序均符合机构和国家研究委员会的伦理标准以及1964年赫尔辛基宣言及其后续修正案或可比伦理标准。丹麦南部地区IRB委员会批准了本研究(20212000-57)。参与者被排除在研究之外(而不是治疗),如果他们跳过的会话,因为这禁止按顺序计算会话之间的时间。一些参与者的会话顺序颠倒,这些参与者按会话完成的时间顺序排序。2.2. 参与者201名参与者(116名完成者和85名未完成者)被纳入该计划。 116名完成者完成了所有12个课程,而未完成的定义是完成0到11个课程。参与者是通过丹麦南部地区精神卫生服务数字精神病学中心主办的网站上的公开注册招募的。参与者通过填写有关进食障碍症状的问卷来申请治疗,如果他们符合DSM-5轻度至中度BED的诊断标准(美国精神病学协会,2013),并且没有或有轻度共同发生的心理健康障碍,则被纳入。在线项目是一个更大的项目组的一部分,其他精神科单位使用面对面治疗来治疗患有重度至极端BED和中度至重度合并症的参与者。使用暴食症问卷(BED-Q)评估BED严重程度的临界值。筛查和治疗不包括面对面、视频、电话或聊天联系,而是完全基于参与者的书面回答。J. Linnet等人互联网干预31(2023)10060731–===--=====-=-=-2.3. 材料2.3.1. 暴食症问卷(BED-Q)(Holmberg等人,2022; Jensen等人,2020年; Lichelman等人,2021; Linnet等人,2022; Runge等人,2022)是一个9项问卷。项目 1-7构成总分(0-35)。这些项目符合DSM诊断标准:(1)在短时间(2小时)内进食大量食物;(2)对进食失去控制;(3)进食速度比正常快;(4)吃到不舒服的饱;(5)吃而不饿;(6)独自吃饭;(7)暴饮暴食后有负面情绪项目13/周; 3=4总分解释为:0 =无症状; 1-9 = BED的亚临床症状; 10-14轻度卧床; 15-21岁中度卧床; 22-28岁重度卧床;29-35岁非常严重的床。目前的样本包括轻度至中度BED症状的参与者,对应于10至21分之间的评分。第8项控制代偿行为,如自我诱发的呕吐,而第9项评估暴饮暴食是否被认为是痛苦。BED-Q目前正在验证中;我们预计BED-Q的心理测量特性令人满意。2.3.2. 抑郁量表(MDI)(Bech等人,2001; Cuijpers等人,2007)被用于筛查抑郁症状。MDI有10个项目,采用6分制Likert量表,从0到5进行评分。总分范围从0到50,分数越高反映抑郁症状越多。推荐的临界点为轻度抑郁症21分,中度抑郁症26分,重度抑郁症31分。MDI的克罗恩巴赫α为0.89,外部效度令人满意(Cuijpers等人, 2007年)。2.3.3. EuroQol五维视觉焦虑量表(EQ VAS)使用EQ-5D-5L的VAS量表评估参与者的整体主观功能。EQ VAS构建为温度计,用于测量当前主观健康相关生活质量(HRQoL),测量范围为0 - 100,其中0是可想象的最差健康状态/死亡,100是最佳可能健康状态。它旨在衡量大规模群体的健康状况(EuroQoL(EQ- 5D)已得到广 泛 验 证 , 并 显 示 出 足 够 的 内 部 和 外 部 有 效 性 ( 参 见 , 例 如,Kontodimopoulos等人, 2008年)。2.4. 统计使用社会科学统计软件包(SPSS)第28版(IBM Corp,2021)分析数据。我们使用独立样本t检验来检验完成者和未完成者在年龄和BED-Q、BMI、MDI和EQ VAS的摄入评分方面的组间差异。我们使用卡方检验了性别、教育水平、收入来源、子女和婚姻状况的组间差异。为了确保足够的样本量,我们只能分析前四个疗程(0-1、1-2、2-3和3-4)的疗程间隔时间。37名参与者(18.4%)在第4次会议之前退出,样本量从201减少到164。我们使用了两种方法来分析疗程间隔天数的预测价值:首先,我们使用二元逻辑回归分析了每个疗程(1、2、3和4)的疗程间隔天数;其次,我们使用具有稳健标准误差的混合效应逻辑回归模型分析了前四个疗程(1-使用二元逻辑回归和混合效应分析的基本原理是,二元逻辑回归分析允许我们比较每个治疗阶段(1、2、3和4)的治疗阶段之间的天数,而混合效应模型允许我们比较所有治疗阶段(1-4)的治疗阶段之间的天数。在具有稳健标准误的混合效应逻辑回归模型中,我们使用参与者在两次会议之间花费的天数作为自变量,并将组(未完成者与未完成者)与组(未完成者与未完成者)进行比较。完成者)作为因变量。我们将完成者定义为已完成项目中的所有会话。该分析控制了以下潜在混杂因素:性别、年龄、BED-Q、EQ VAS、BMI和MDI。结果报告为原始比值比(OR),仅包括分析中的会话之间的天数,并报告为具有置信区间的校正比值比(OR)。OR),包括会话之间的天数和混杂变量。在二元逻辑回归分析中,我们还使用疗程间隔天数作为自变量,组(未完成者与完成者)作为因变量,仅这一次,我们对疗程1、2、3和4进行了单独分析。我们控制了混杂因素:性别、年龄、BED-Q、EQVAS、BMI和MDI。结果报告为原始比值比(OR),仅包括疗程之间的天数,以及调整后的比值比和置信区间(OR),包括疗程之间的天数和混杂变量。为了确定两次会议之间的天数作为磨损预测因子的临床价值,我们研究了两次会议之间的天数的最佳截止点,该截止点可以预测参与者之间的磨损风险。我们使用受试者工作特征(ROC)曲线分析来确定完成者与非完成者的分类准确性,即,准确预测为完成者和未完成者的参与者数量。我们使用Kolmogorov-Smirnov分析来估计区分完成者和非完成者的最佳截止时间(两次治疗之间的天数)。我们还使用Kolmogorov-Smirnov分析来计算临界值的灵敏度和特异性。最后,我们探讨了随着参与者在项目中的进展,两次会议之间花费的天数是否有变化,以及未完成者和完成者在两次会议之间的天数变化是否不同。我们使用重复测量ANOVA来调查每组内会话之间的天数变化,并测试四个会话(1-4)中会话之间的潜在组差异(交互效应)。3. 结果未完成者和完成者在性别、BMI、BED、EQ VAS和MD指标方面没有显著差异,见表1。然而,未完成者明显比完成者年轻(t1.67,p<. 01)。二元逻辑回归分析显示,疗程间隔天数显著预测每次疗程(1、2、3和4)的损耗,见表2。第1阶段(OR 1.069,p<.001)和第2阶段(OR1.071,p<.001)的显著性水平最高,而第2阶段的显著性水平较低。在会话3(或1.036,p<.01)和4(OR 1.028,p<.01)。 EQVAS是唯一的混杂因素,在第1阶段达到显著水平(OR0.981,p0.05<)。混合效应模型分析显示,在4个治疗期(1-4)中,未完成者在两次治疗之间花费的天数显著更多<,OR 1.047,p 0.001。当控制年龄、性别和BMI、BED、EQ VAS和MDI的摄入量指标时,结果仍然显著(OR 1.042,p 0.001<)。自然减员的风险增加了4.2%,参与者完成一次会议所花费的时间每增加一天。年龄(OR0.976,p 0.001<)和EQ VAS(OR 0.984,p 0.001<)也可显著预测损耗。年轻一岁使脱落风险增加3.4%,而EQ VAS量表上低一分使脱落风险增加1.6%。ROC曲线分析显示,从第1阶段到第4阶段,检测非完成者的分类准确性不断提高。分类准确率从会话1的61.1%和会话2的65.7%提高到68.8在第3阶段中为73.2%,在第4阶段中为73.2%。第4阶段的分类准确度检测到60.4%的未完成者(敏感性)和78.4%的完成者(特异性)。分类未完成者和完成者的最佳截止点为第1阶段9.5天、第2阶段14.5天、第3阶段 15.5天和第4阶段 17.5天重复测量的方差分析显示,在-J. Linnet等人互联网干预31(2023)1006074==表1入组时完成者和未完成者的描述性统计在所有四个会话中,会话显著预测了损耗。因此,会议之间的天数似乎是一个可靠的预测减员。完成者(n=(116)未完成者(n=85)X2/t信号水平完成者和未完成者均显示,从第1次会议到第2次会议,平均值/nSt.D/%平均值/nSt.D/%2至第3和第4次会议(见表1)。然而,非完成者多于完成者。增加可能反映了减少性别0.015激励和/或加强方案作为参与者亲,男13 11.2%女性103 88.810 11.8%75 88.2通过治疗获得进步。例如,Pedersen等人(2019)发现,两周的不活动可预测治疗退出,接合显著降低领导起来到辍学生非-年龄40.43%12.0237.8%9.53t=-1.67完成者也可能更容易受到负面因素的影响,如技术困难,疾病,离婚或期末考试。例如,Moshe et al.婚姻状况关系,已婚,其他单身,离婚,鳏夫72 62.1%44 37.9%57 67.1%28 32.9%0.0080.531(2022)发现,较低的年龄,中等(与高)社会支持和更多的天数模块完成预测辍学的风险较高。因此,缺乏社会支持或消极的社会支持可能会增加项目脱离和流失的风险。在我们的样本中,其他因素,如抽样偏差,也可能影响教育0.89初等教育结果。退出治疗的参与者不能重新接受治疗。高等教育初次收入%77.6 61%%71.8%0.126进入样品。因此,会话2-4中的参与者数量较低,这可能会影响会话间的分布和p值。总而言之,有几个因素可能导致这一增加。工作/薪金75 64.7%其他41 35.357 67.1%28 32.9在两届会议之间的天数方面,我们目前对哪些因素导致这一增加知之甚少。优势比从第1和第2阶段下降到第3和第4阶段。暴食症- Q3.81%0.743.7%0.790.771这意味着,随着会议的进行,会议之间每增加一天,对自然减员几率的预测就越这可能体重指数(BMI)36.47 9.41 38.48 9.0 0.820这是一个线性问题使用的二项logistic回归分析抑郁量表(MDI)24.15 8.39 0.841在这项研究中,假设两次治疗之间的天数与自然减员的比值比然而,会议之间的天数可能是一个EQ VASc62.11 18.86 53.92 19.76 0.197每届会议天数1 7.48 5.46 11.54 11.29 0.001每届会议天数2 9.03 7.07 14.46a11.14 0.001每届会议天数3 10.51 8.84 15.53b14.26 0.001每届会议天数4 14.76 14.91 25.42c24.50 0.005an= 71例未完成者。bn=60例未完成者。 cn= 48例未完成者。受试者的影响,其中未完成者和完成者从第1阶段到第4阶段在两个阶段之间花费的天数更多(F20,54,df3,p<,001),见图1。然而,没有显著的相互作用效应,表明非完成者和完成者之间的斜率增加没有差异。4. 讨论在这项研究中,我们假设床上参与者在两次会议之间花费更多的时间会增加退出基于文本的iCBT的风险。我们发现,会议之间的天显着预测在四个会议(1,2,3,4)的每一个此外,表2二项logistic回归分析。凹函数这与行为经济学中的前景理论一致,即收益(这里是动机收益)的效用是一个凹函数(Kahneman和Tversky,1979)。根据前景理论,如果参与者在6天而不是7天内完成一次会议,那么与16天而不是17天相比,动机收益会更大,尽管一天的差异是相同的。因此,如果参与者花更多的时间完成课程,而不是花更少的时间完成课程,那么完成课程的动机收益就更少较低的激励收益可能导致动力不足,这可能会增加自然减员的风险进一步的研究应检查每届会议天数和自然减员之间的函数关系。分类准确性从会话1和2增加到ses-第3和第4节。这表明,临床医生可以使用疗程之间的天数来预测磨损,随着患者在治疗中的进展,准确性增加。分类准确性的增加可能与第3和第4阶段完成者和非完成者之间的平均差异大于第1和第2阶段相关(见表1)。然而,结果也可能受到第1-4阶段样本量差异的影响。参与者可以随时访问该程序以完成会话,第1阶段,(N= 201)第2阶段,(n= 187)第3阶段,(n= 176)第4阶段,(n= 164)OR ≤ ORa(95%-CI)OR ≤ OR a(95%-CI)OR≤ OR a(95%-CI)OR≤OR a(95%-CI)OR≤ ORa(95%-CI)天1.069** 1.065**(1.018 - 1.113) 1.074* 1.071*(1.029 - 1.115) 1.042** 1.036*(1.004 - 1.069) 1.036** 1.028*(1.006 - 1.051)年龄0.973(0.945性别1.221(0.466MDI 1.009(0.969EQ VAS 0.981(0.964 - 0.998)*0.982(0.964BED-Q 1.026(0.924体重指数1.013(0.979a根据性别、年龄、EQ VAS和BMI、BED和抑郁症状的摄入量指标进行调整*第05页。<**第01页。<*第001页。J. Linnet等人互联网干预31(2023)1006075Fig. 1. 重复测量ANOVA注.蓝线=未完成者;绿线=完成者。X轴显示会话编号(1-4); y轴显示会话之间天数的估计边际平均值。误差条显示置信区间(CI)。也没有安排治疗师的治疗在这种开放式结构形式中,会话之间的天数可能是比预定会话治疗形式更强的流失预测因子。例如,在传统的治疗模式中,两次治疗之间的天数可能是一个较差的磨损预测指标,在传统的治疗模式中,参与者提前与治疗师预约。通常,治疗师的可用性决定了会议的结构。然而,随着互联网干预越来越趋向于更灵活和开放的结构形式,会话之间的天数可能成为治疗中消耗的更突出的预测因素。因此,它可能与其他治疗形式(如混合护理和阶梯式护理形式)的测试日有关。在第2-4阶段识别未完成者的最佳截止点约为15天。该项目中治疗师的临床指导方针是,如果参与者没有积极活动,在节目中,超过14天。 这种做法可能影响了结果,所以一些参与者在计划的早期对提醒做出了回应,最终完成了计划或在后来退出。加强对不活跃参与者的提醒,例如,每周自动提醒或治疗师信息可能有助于提高一些有退出治疗风险的参与者的依从率。例如,早期检测降低的治疗反应可以帮助调整治疗干预,导致更好的治疗结果(Forsell et al.,2020; Forsell等人,2019年)。因此,向在两次会议之间花费更多时间的参与者发送提醒可能会降低损耗率并提高治疗效果。未来的研究应该调查干预措施,可以减少参与者在两次会议之间花费更多时间这项研究有几个局限性,指向未来的研究。首先,我们的样本量有限,我们只能测试前四个阶段完成者和未完成者之间的差异。我们的研究结果应该在更大的样本量中重复,以便在更多的会话中比较完成者和未完成者。其次,我们的发现仅限于开放格式的基于文本的互联网干预,参与者自己决定何时登录该计划。我们的研究结果应该在混合护理或阶梯护理模式中得到复制,其中参与者,例如,安排视频咨询或面对面与治疗师的预约除了开放式结构。第三,我们的研究结果应该在其他患者人群中重现。疗程之间的天数可能是损耗的跨诊断预测因子,这可以在许多不同的疾病中找到。然而,会话之间的天数的预测特性在一些诊断组中可能更强(例如,抑郁症患者)比其他人(例如,焦虑症患者)。此外,我们的人群由轻度至中度BED和合并症患者组成,与其他患者人群相比,这可能存在偏倚。目前,我们对其他诊断人群中疗程间隔天数的预测特性知之甚少,因此未来的研究应该调查疗程间隔天数在整个诊断谱中的作用。5. 结论我们的研究结果表明,在两次治疗之间花费更多时间的参与者退出治疗的风险增加,并且随着参与者在治疗中的进展,两次治疗之间的天数也会增加。这可能对临床医生在识别有退出治疗风险的参与者和实施减少流失的措施方面具有现实意义,例如,通过自动提醒或治疗师信息加强干预。这些发现可能对基于文本的互联网干预具有重要的跨诊断意义。进一步的研究应该调查在其他诊断中会话之间竞合利益作者声明,他们没有已知的可能影响本文所报告工作数据可用性说明支持本研究结果的数据可向通讯作者索取。这些数据没有公开J. Linnet等人互联网干预31(2023)1006076由于隐私和/或道德限制而可用致谢作者希望感谢Pia Veldt Larsen对本研究统计数据的全面和宝贵帮助。引用Aardoom,J.J.,Dingemans,A.E.,Spinhoven,P.,Van Furth,E.F.,2013.通过互联网治疗进食障碍:系统回顾和未来研究方向。Int. 吃吧混乱46(6),539-552。https://doi.org/10.1002/eat.22135网站。美国精神病学协会,2013年。精神疾病诊断与统计手册:DSM 5,第5版。鲍尔,S.,Moessner,M.,2013.利用技术的力量来治疗和预防饮食失调。吃吧。混乱46(5),508-515。https://doi.org//eat.22109.Bech,P.,Rasmussen,N.一、奥尔森湖Noerholm,V., Abildgaard,W., 2001. 重性抑郁量表的敏感性和特异性,以现状检查作为诊断 效度 的指标。 J. 感情。混乱66,159-164.本特纳岛,Hutter,K.,Gramatke,K.,Jacobi,C.,2020.饮食失调的日间治疗和门诊治疗相结合:来自自然环境的发现。吃吧体重失调。25(2),519-530。https://doi.org/10.1007/s40519-019-00643-6网站。Brauhardt,A.,鲁道夫,A.,希尔伯特,A.,2014年。暴食症和肥胖症的内隐认知过 程J.行 为 举 止 。 Ther.EXp.Psychiatry45 , 285-290.https://doi.org//j.jbtep.2014.01.001.布雷默,五,Becker,D.,Kolovos,S.,Funk,B.,van Breda,W.,Hoogendoorn,M.,Riper,H.,2018.使用基线特征预测个性化治疗建议的治疗成功和成本:数据驱动分析J. Med.Internet Res. 20(8),e10275https://doi.org/10.2196/10275。卡拉德岛, C r'epin,C.,Rouget,P.,Lam,T.,Golay,A., VanderLinden,M.,2011年。在互联网上指导自助治疗暴食症的随机对照试验。行为举止。Res. Ther. 49(8),482-491。https://doi.org/10.1016/j的网站。 brat.2011.05.004。卡拉德岛, C r'epin,C.,Rouget,P.,Lam,T., VanderLinden,M.,Golay,A.,2011年。肥胖暴食症患者接受网络自助治疗指导的效果。临床实践流行病学门特健康7,8-18。https://doi.org/10.2174/1745017901107010008。Cuijpers,P.,Dekker,J.,Noteboom,A.,Smits,N.,Peen,J.,2007.门诊患者重性抑郁量表的敏感性和特异性BMC Psychiatry 7,39.https://doi.org/10.1186/1471-244X-7-39.EuroQol–aHealth Policy,16(3),199-208. https://doi.org/10.1016/0168-8510(90)90421-9. Fairburn,C.G.,墨菲河,2015年。使用互联网治疗饮食失调Curr.Opin. Psychiatry 28(6),461-467. https://doi.org/10.1097/yco.0000000000195.Fassino,S., Pie ro`,A.,Tomba,E.,Abbate-Daga,G.,2009年与辍学相关的因素饮食失调的治疗:一个全面的文献综述。BMC Psychiatry 9,67.https://doi.org/10.1186/1471-244X-9-67.Forsell,E.,Jernelov,S.,Blom,K.,Kraepelien,M.,斯万堡角,澳-地Andersson,G., Lindefors,N.,卡尔多,五,2019年。适应性治疗策略的概念证明,以防止互联网提供的CBT失败:失眠患者的单盲随机临床Am.J.Psychiatr. 176(4),315-323。https://doi.org/10.1176/appi.ajp.2018.18060699。Forsell,E.,Isacsson,N.,Blom,K.,Jernelov,S.,Ben Abdesslem,F.,Lindefors,N.,Boman,M.,卡尔多,五,2020.仅使用每周症状测量预测抑郁和焦虑的常规护理互联网提供的认知行为疗法的J.咨询。Clin. Psychol. 88(4),311-321. https://doi.org/10.1037/ccp0000462。Holmberg,T. T.,Sainte-Marie,M.,詹森,E.K.,Linnet,J.,Runge,E.,Lichelman,M.B.,Tarp,K.,2022.暴饮暴食症患者寻求线上治疗的动机分析-一项结合系统文本压缩与情感分析的混合方法研究。前线精神科13,969115。https://doi.org/10.3389/fpsyt.2022.969115.IBM公司,2021年。IBM SPSS Statistics for Windows,28.0版 IBM公司Jensen,E.S.,Linnet,J.,Holmberg,T. T.,Tarp,K.,尼尔森,J. H.,Lichelman,M.B.,2020年。基于互联网的指导性自助治疗暴食症的有效性以及完成者与非完成者的特征。吃吧。混乱53(12),2026-2031。https://doi.org/10.1002/eat.23384网站。Kahneman,D.,Tversky,A.,一九七九年前景理论:风险下的决策分析Econometrica 47(2),263Kontodimopoulos,N.,Pappa,E.,Niakas,D.,Yfantopoulos,J.,Dimitrakaki,C.,Tountas,Y.,2008年EuroQoL(EQ-5D)工具在希腊一般人群中的有效性 Dec Value Health 11(7),1162-1169.4733.2008.00356https://doi.org/10.1111/j.1524-. X.Lichelman,M.B.,哈斯特鲁普湖Johansen,K.K.,Bindzus,J.B.,Larsen,P.V.,斯托万河K.,克劳森湖,Linnet,J.,2021.在丹麦饮食失调患者和运动员中验证饮食失调检查问卷 J. Clin. Med. 10(17)https://doi.org/10.3390/jcm10173976。Linnet,J.,Pedersen,A. S.,2014年。 等待时间增加赌博障碍治疗中的损耗风险。J.瘾君子Prev.第二条第2款。Linnet,J.,Jensen,E.S.,Runge,E.,Hansen,M.B., 赫兹,S.P.T., Mathiasen,K.,Lichelman,M.B.,2022.暴食症(BED)的基于文本的互联网干预:每条消息的单词与治疗依从性相关互联网访谈28,100538https://doi.org/10.1016/j.invent.2022.100538。Manwaring,J.L.,Bryson,S.W.,Goldschleman,A.B.,Winzelberg,A.J.,Luce,K.H.,Cunning,D.,Wilfley,D.E.,泰勒,C.B.,2008.依从性变量能预测饮食失调预防在线项目的 J. 会诊。Clin. 心理学。 76(2),341-346。https://doi.org/10.1037/0022-006X.76.2.341网站。Melioli,T.,鲍尔,S.,弗兰科,D.L.,Moessner,M.,Ozer,F.,夏布洛尔,H.,罗杰斯,R. F.,2016. 使用互联网减少进食障碍症状和危险因素:一项Meta分析综述。吃吧。混乱49(1),19-31。https://doi.org/10.1002/eat.22477.摩西岛Terhorst,Y.,帕格尼尼,S.,Schlicker,S.,普尔基-拉巴克湖Baumeister,H.,Sander,L.B.,Ebert,D. D.,2022.预防和治疗慢性背痛患者抑郁症的数字干预中脱落的预测因素:两项随机对照试验的二次分析J.Med. Internet Res. 24(8),e38261https://doi.org/10.2196/38261。Pedersen,D. H.,Mansourvar,M.,索特索角施密特,T.,2019.预测生活方式干预的电子健康平台的辍学:方法和预测因素分析。9月4日J. Med. Internet Res. 21(9),e13617。https://doi.org/10.2196/www.example.comPuls,H.C.,施密特河,Herpertz,S.,Zipfel,S.,Tuschen-Caffier,B.,Friederich,H.C.,Gerlach,F.,Mayr,A.,Lam,T.,Schade-Brittinger,C.,de Zwaan,M.,希尔伯特,A.,2020年。坚持作为一个预测辍学的基于互联网的指导自助暴食症和超重或肥胖的成年人。吃吧。混乱53(4),555-563。https://doi.org/10.1002/eat.23220网站。Runge,E., 詹森,E.K., Mathiasen,K., Larsen,P.V., 赫兹,S.P.T.,Holmberg,T. T.,Tarp,K.,Linnet,J.,Lichelman,M.B.,2022.治疗动机的早期发展预测了基于互联网的暴食症自助指导计划的依从性和症状减轻。前线精神科13,969338。网址:http://doi.org/10.3389/fpsyt.2022.969338Vall,E.,韦德,T. D.,2015.进食障碍患者治疗结果的预测因素:一项系统综述和荟萃分析吃吧。混乱48(7),946-971。https://doi.org/10.1002/eat.22411网站。Van der Zanden,R.,Curie,K.,Van Londen,M.,Kramer,J.,Steen,G.,Cuijpers,P.,2014. 基于网
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功