没有合适的资源?快使用搜索试试~ 我知道了~
互联网干预25(2021)100430使用生态瞬时评估和自动个人时间对癌症相关疲劳进行个性化认知行为治疗系列分析:病例报告系列SusanJ. 放大图片作者:Harnas a,*,Hans Knoop a,Sanne H. Booij b,c,Annemarie M.J. 布拉姆斯河a阿姆斯特丹大学医学中心,阿姆斯特丹大学,医学心理学系,阿姆斯特丹癌症中心,阿姆斯特丹公共卫生研究所,荷兰b荷兰格罗宁根大学行为和社会科学学院发展心理学系c荷兰格罗宁根Lentis综合精神病学中心A R T I C L EI N FO保留字:个体时间序列分析生态瞬时评估个性化认知行为疗法癌症相关疲劳癌症幸存者A B S T R A C T介绍:个性化心理干预的一种常见方法是根据问卷的截止分数为个体患者分配治疗模块,这些问卷大多基于小组研究。然而,这种方式,个体内的变化和时间动态没有考虑在内。自动化的个体时间序列分析是一种可能的解决方案,因为这些可以识别影响特定个体中目标症状的因素,并且可以相应地分配相关模块。本研究的目的是说明如何自动化的个人时间序列分析可以应用于个性化的认知行为治疗癌症相关的疲劳在癌症幸存者和这个程序如何不同分配模块的基础上问卷调查。方法:本研究为病例报告系列(n=3)。患者完成了生态学瞬时评估,治疗开始后和三个治疗模块后(约14周)。使用AutoVAR分析评估,AutoVAR是一种R软件包,可自动化寻找最佳向量自回归模型的过程。结果告知治疗计划。结果:描述了3例病例。根据生态瞬时评估和自动时间序列分析,构建了三个单独的治疗计划,其中首先治疗癌症相关疲劳的最重要预测因子。对于2例患者,这导致治疗在随访生态学瞬时评估后结束。1例患者持续治疗至6个月,这是常规治疗的标准治疗时间。所有三种治疗计划均与问卷评分所告知的治疗计划不同。讨论:本研究是首次将时间序列分析应用于系统的个性化心理治疗。这种方法的一个重要优势是,它可以用于每个模块化的认知行为干预,其中每个治疗模块解决特定的维持因素。个性化CBT是否比标准更有效,非个性化CBT仍有待于在对照研究中将其与常规护理进行比较。1. 介绍1.1. 背景人们一再呼吁对基于证据的心理干预进行个性化(美国卫生与公众服务部,国立卫生研究院,国家精神卫生研究所,2008年;美国卫生和公众服务部,2008年)。美国国立卫生研究院卫生与公众服务部MentalHealth , 2015;U.S.DepartmentofHealthandHumanServicesNIoH,National Institute of Mental Health,2020)。根据个体患者的特征和需求定制治疗可以提高治疗疗效和患者依从性(美国卫生与公众服务部NIoH,国家精神卫生研究所,2008;美国卫生与公众服务部NIoH,国家精神卫生研究所,2015;美国卫生与公众服务部NIoH,国家精神卫生研究所,2020)。之一* 通讯作者:阿姆斯特丹大学医学中心,医学心理学系,Meibergdreef 9,1105 AZ Amsterdam,荷兰。电子邮件地址:s. j. amsterdamumc.nl(S. J. Harnas)。https://doi.org/10.1016/j.invent.2021.100430接收日期:2020年9月1日;接收日期:2021年4月29日;接受日期:2021年7月6日2021年7月14日在线提供2214-7829/© 2021作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章(http://creativecommons.org/licenses/by/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/inventS.J. Harnas等人互联网干预25(2021)1004302到目前为止,研究方向集中在通过向个体患者分配治疗模块(所谓的模块化疗法)来个性化心理治疗(Ng和Weisz,2016)。这些模块化疗法通常包括认知行为疗法(CBT),并且基于每个模块可以作为单独的实体起作用的理论,针对被认为维持或引起目标症状的认知或行为因素。例如,某个生活事件可能会引发抑郁症,但其他因素(即不活动,功能失调的认知)可能会维持抑郁症。通过测量 被认为是引起或维持症状的因素,通过问卷调查,可以确定在治疗中针对哪些因素,从而确定将哪些模块分配给个体患者。因此,如果患者在治疗开始时的问卷评分高于某一临界点,则相关治疗模块将纳入治疗计划(例如,Abrahams等人(2015);Gielissen等人(2006);Prinsen等人(2013);Poort等人(2017))。因此,两个患者的治疗方案可能会非常不同。尽管在某种程度上是个性化的,但用来阻止-我是否应该分配一个治疗模块是基于横截面nomothetic(即基于组)的研究数据。这样,考虑了个体间的差异,但没有考虑个体内的变异.以前已经确定,基于个体间变异的结论很少能推广到个体内变异(Barlow and Nock,2009;Molenaar andCampbell,2009)。变量之间的相关性的个体内变化通常远大于人与人之间的变化(Fisher等人,2018年)。因此,当两个变量之间的关联基于人与人之间的差异而显得很大时,这种关联在个体中通常要弱得多。例如,根据法理学研究数据,恐惧和回避行为之间存在既定的关联回避行为主要用暴露疗法治疗(Fisher等人, 2018年)。然而,个体内部的恐惧和回避行为之间的关联更易变,而且往往更弱。对一些人来说,恐惧和逃避之间的联系甚至不会存在。用暴露疗法治疗这些人的恐惧此外,被认为在组水平上引起或维持感兴趣症状的特定因素(例如回避行为)的存在并不自动暗示该因素(例如回避行为)与特定患者(例如,患者)的症状之间的因果关系。恐惧)。因此,基于截止分数的治疗因素问卷调查不一定会影响症状水平,具体的病人,这往往是治疗的目标。个性化的治疗,只针对那些因素,实际上影响感兴趣的症状,在特定的个人似乎是更合适的。与规则研究相反,表意研究方法侧重于个体患者水平(Conner等人,2009年)。采用具体研究的一种有前途的方法是使用生态瞬时评估(EMA),也称为经验抽样法(ESM)或日记法(Conner等人,2009;van der Krieke等人,2015; Bolger等人,2003年)。EMA是对某些参数(例如症状、经历或活动)的重复评估,通常每天多次,以便在自然环境中收集实时数据(Conner等人, 2009; van der Krieke等人,2015;Wenze and Miller,2010). EMA的主要优点是减少记忆偏差,生态有效性和通过时间序列分析在个体水平上分析数据的可能性(Wenze和Miller,2010)。个体时间序列分析允许阐明随时间推移的个体症状模式并分析时间动态,提供推定因果关系的印象(Wenze和Miller,2010;Rosmalen等人,2012年)。例如,Rosmalen等人(Rosmalen等人,2012)研究了在经历过心肌梗死的患者中身体活动和抑郁之间的时间动态。个体时间序列分析显示了不同方向的因果关系。在一名患者中,活动水平的增加预示着抑郁评分的降低。然而,在另外两名患者中,活动量下降。这些差异可能导致不同的治疗建议,重点是身体激活或抑郁症状。因此,而不是使用基于规范的截止分数的问卷调查,以确定哪些治疗模块分配,治疗模块的分配基于个人的时间序列分析可能更好地反映个性化的心理护理。可能受益于更个性化的护理的患者群体是患有癌症相关病症的癌症幸存者群体。癌症相关的疲劳是癌症幸存者中最常见和使人衰弱的症状之一,影响至少四分之一的存活者(Abrahams等人, 2016; Servaes等人, 2002年)。 认知障碍癌症相关疲劳的口服疗法(CBT)已被证明在降低疲劳严重程度和改善患者功能方面有效(Gielissen等人,2006; Prinsen等人,2015年)。干预在混合形式中也是有效的,其中基于互联网的治疗与面对面和视频会话相结合(Abrahams等人, 2017年)。在以前评估这种干预措施有效性的研究中,干预具有模块化方法,其中基于患者在评估维持因素的问卷调查中的得分来分配可选的治疗模块(即横截面规则方法)(Abrahams等人,2015; Gielissen等人,2006; Prinsen等人, 2013; Poort等人, 2017年)。通过对时间序列的分析,可以研究癌症相关的疲劳和其潜在的维持因素之间的动力学,从而得到仅针对那些实际影响目标症状的维持因素的个性化治疗计划。时间序列分析的一个重要挑战是其在临床实践中的应用。分析时间序列数据需要这种特定方法的经验,并且是时间密集型的,因为必须对每个人单独进行分析(van der Krieke等人,2015年)。这一领域的一个进步是开发了一种用于执行自动时间序列分析的应用程序,称为AutoVAR(Emerencia等人,2016年)。简而言之,AutoVAR是一个R软件包,带有一个易于使用的前端Web应用程序,可以自动化寻找最佳VAR模型的过程。通过生成和比较所有可能的有效模型,它提供了对结果稳定性的全面而强大的见解,同时能够对EMA数据进行快速分析和反馈。虽然这种应用是有前途的,但尚未确定AutoVAR如何在临床实践中用于个性化心理治疗(Emerencia等人,2016年)。本病例系列报告的目的是说明如何将自动化个体时间序列分析应用于癌症幸存者癌症相关疲劳的个性化认知行为治疗(CBT),以及该程序与基于问卷的分配模块的不同之处。2. 方法2.1. 研究设计本研究设计为一个病例报告系列,其中说明了使用AutoVAR的个体时间序列分析在癌症相关疲劳的个性化CBT中的应用。个性化发生在为个别患者分配治疗模块病例报告系列包括三个病例插图,以评估基于自动化个体时间序列的治疗模块分配如何在患者之间存在差异。这三个案例还说明了基于自动个体时间序列分析的治疗模块分配与基于问卷和截止分数的分配的不同之处。这项研究中的三名患者是参与者在一个更大的试验,匹配研究。在MATCH研究中,EMA和时间序列分析的使用是个性化“包”的一部分审查中),荷兰试验注册中心(NTR):NL 7481(NTR 7723))。图1提供了研究设计的概述。患者在治疗前(T0)、治疗期间(T1)和治疗结束后(T2)完成评估。这些评估包括:S.J. Harnas等人互联网干预25(2021)1004303≥≥≥Fig. 1. 研究设计.个体强度检查表(CIS),子量表疲劳严重度(Vercoulen等人,1999;Vercoulen等人,1994年)。在第一次评估(T0)和治疗师摄入后,患者在连续14天(E0)内开始第一次EMA。患者还完成了测量癌症相关疲劳(D0)维持因素存在情况的其他问题。第一个EMA(E0)的自动化个体时间序列分析确定了首先分配哪个可选治疗模块,其次是两个强制性模块。完成这些模块后,患者在连续14天(E1)内开始第二次EMA。如果在T1评估后继续治疗,则第二次EMA(E1)的时间序列分析确定添加或重复哪些治疗模块。2.2. 患者我们于2020年8月选择了三个案例进行这项研究。当时,5例患者1)在治疗开始时(E0)和完成3个治疗模块后(E1)完成了EMA; 2)完成了癌症相关疲乏的CBT; 3)完成了治疗前、治疗期间和治疗结束后的疲乏严重程度评估。在这些患者中,我们选择了前三个最能说明变异的治疗计划如何根据AutoVAR的个体时间序列分析而有所不同。作为MATCH研究入选标准的一部分,所有3例患者均在转诊前至少6个月完成了其原发性、治愈性癌症治疗,年龄均为18岁,能够说和读荷兰语,在入选研究时无疾病活动,目前未接受心理或精神治疗。此外,所有患者在参与MATCH研究之前填写筛选问题,其中他们报告了临床相关的疲劳水平(个体强度检查表(CIS),疲劳严重程度子量表的截止值为35)(Vercoulen等人,1999; Vercoulen等人,1994),并经历功能障碍(工作和社会适应量表(W &SAS),截止值10(Mundt等人,2002;Matai X-COLS等人, 2005年)。2.3. 癌症相关性疲劳根据癌症相关疲劳的混合循证方案,患者开始治疗时设定他们的个人治疗目标,结束治疗时评估和实现这些目标(Abrahams et al.,2015年)。该处理还包括以下六个处理模块:1)睡眠-觉醒节律,2)活动模式,3)帮助性思维,4)应对癌症和癌症治疗,5)对癌症复发的恐惧和6)社会支持。对于每个处理模块的内容的描述,我们参考Abrahams的论文等(2015年)。在循证方案中,模块4-6是可选的。在基线时,根据问卷评分决定哪些可选模块与每位患者相关。对于这项研究,我们将SIX治疗模块分为两个必修模块和四个可选模块。两个必修模块是:1)睡眠-觉醒节律和2)活动调节。四个可选模块是:1)应对癌症和癌症治疗,2)对癌症复发的恐惧,3)有益的思考,4)社会支持。通过这种方式,每个患者都暴露于至少两个模块,其中针对的因素在以前的研究中似乎介导了CBT对疲劳的影响,但也为个性化留下了足够的空间(vandenAkker等人,2018年)。根据这种方法,本研究中的患者从睡眠-觉醒节律、活动模式和一个可选模块开始两名患者以混合形式接受了CBT,这意味着面对面的会议和基于网络的治疗相结合一名患者以在线形式接受CBT,这意味着仅基于网络的治疗。对于基于网络的治疗 , 我 们 使 用 了 一 个 安 全 的 基 于 网 络 的 环 境(Minddistrict;www.minddistrict.com),患者在其中通过不同的治疗模块工作。所有治疗模块由三个部分组成:心理教育、分配和评估(Abrahams等人,2015年)。由于每个治疗模块由多个分配组成,因此患者需要几个疗程才能完成一个治疗模块。治疗需要21-29周才能完成,包括12 - 16次治疗,具体取决于个体患者的治疗计划。所有患者开始2次面对面治疗,并以一次面对面治疗结束治疗面对面的会议混合治疗包括4个额外的面对面会议和5-9个在线会议。在线治疗包括一次电话治疗和8-12次在线治疗,以及治疗开始和结束时的3次面对面治疗。在面对面会议中,讨论了不同治疗模块的分配和/或引入了新的治疗模块。在线课程以相同的方式进行,但课程是非同步的,通过Minddistrict平台通过安全电子邮件进行,并由治疗师的书面反馈组成。提供在线反馈需要治疗师对每位患者每次治疗约20-30分钟,面对面治疗约45分钟。在治疗期间,治疗师可以选择添加一个或两个视频会议,如果认为有必要的话。视频会议的结构与面对面会议相同,但会议是通过视频通话进行的,我们安全的网络环境(Minddistrict; www.minddistrict. com)。S.J. Harnas等人互联网干预25(2021)1004304≥2.4. 癌症相关疲劳为了个性化癌症相关疲劳的CBT,我们使用自动化的个体时间序列分析来确定首先分配哪个可选的治疗模块。我们使用第一个生态瞬时评估期进行这些分析(E0)。疲劳的最强预测因子决定了将哪个可选模块添加到治疗计划中,因为每个预测因子都与特定的治疗模块相关。如果单独的时间序列分析显示没有预测因素,测量维护系数(见表1和第2.5.段)。测量值“)用于确定首先分配哪个可选模块。这样,每例患者在第二次EMA(E1)之前暴露于相同数量的治疗模块,即两个强制模块和一个 可选模块。在完成三次治疗后,模块,患者完成第二次EMA(E1)和T1评估-(图1)在首次随访评估(T1)时,再次评估疲劳严重程度。如果疲劳严重程度子量表评分为35分,则建议患者停止治疗。如果个体力量检查表的疲劳严重程度子量表评分为35(Vercoulen例如,1999; Vercoulen等人,1994年),建议继续治疗。如果患者同意继续治疗,则第二个EMA(E1)的自动个体时间序列分析确定添加或重复哪些治疗模块。如果建议结束治疗,但患者表示倾向于继续治疗,则使用第二个EMA(E1)的自动个体时间序列分析来确定添加或重复哪些治疗模块2.5. 测量2.5.1. 疲劳严重程度该病例报告系列中的主要结局是疲劳严重度,采用个体强度检查表( CIS ) 的 子 量 表 疲 劳 严 重 度 进 行 测 量 ( Vercoulen 等 人 , 1999;Vercoulen等人,1994年)。该分量表由8个项目组成,可采用7分制李克特量表进行评分。疲劳严重程度子量表的总分范围为8 - 56分,35分或更高分表示重度疲劳。CIS疲劳 先前已被用于干预研究,已被证明是可靠的和对变化敏感的,并且具有良好的区分效度(Gielissen等人,2006; Goedendorp等人,2010; Beurskens等人,2000年)。在治疗前(T0)、治疗期间(T1)和治疗结束后(T2)评估主要结局。2.5.2. EMA调查EMA调查由13个问题组成,其中评估了以下方面:疲劳、抑郁、对癌症复发的恐惧、体力活动、心理活动、社会活动、对疲劳的关注、猫-星形化、无力感、自我效能、侵入、回避和缺乏表1理解。EMA调查包含表1中提到的问卷项目。对选定项目的措辞进行了调整,以反映EMA的性质。如果可能的话,我们选择了高因子负荷的问卷项目。如果这是不可能的,我们与一组经验丰富的研究人员和临床心理学家讨论选项,以决定哪个项目(和哪个措辞)最好地反映了维度,直到达成共识。在一天的第一个和最后一个EMA期间,我们询问了4个关于白天睡眠(一天结束时)和夜间睡眠(一天的第一个EMA)的额外问题。由于睡眠项目的评估频率低于其他项目,因此睡眠项目不包括在个体时间序列分析中。此外,抑郁项目未纳入个体时间序列分析中,因为在治疗方案中,认为这不是疲劳的潜在维持因素。EMA调查作为补充材料添加(补充A)。2.5.3. 补充调查表所有患者在接受治疗后完成了额外的问卷调查(见使用这些问卷,通过将问卷上的分数与截止分数进行比较来评估个体患者中存在哪些维持因素(参见表1)。根据癌症相关疲劳,如果随附问卷上的分数高于截止值,则应向患者提供治疗模块(Abrahams等人,2015; Gielissen等人,2006; Prinsen等人,2013;Poort等人,2017年)。2.6. 生态瞬时评估(EMA)2.6.1. EMA协议连续14天每天给予5次EMA。评估之间的间隔是固定的,这意味着每三个小时患者需要完成一次评估。虽然固定的时间表可能会对生态有效性产生负面影响,但采用它是为了适应向量自回归模型的应用,该模型需要(大约)等间隔的时间间隔(更多信息请参见2.6.2.2信息)。根据患者的睡眠-觉醒情况调整确切的时间点 schedule. 患者接收 一 文本 消息 对 他们的移动电话,其中提供了一个调查问卷的链接。患者需要点击链接,在网络浏览器中打开调查问卷。问卷链接的有效期为一小时。如果患者未在30分钟内完成评估,则发送提醒短信。如果患者无法在1小时内完成问卷,则将评估确定为缺失测量。2.6.2. 数据分析的 时间 系列 的 每个 患者 是 分析 通过 主个性化CBT中可选治疗模块中靶向的维持因素概述。粗体的分数表示分数高于截止分数。和癌症治疗和癌症治疗van der Ploeg等人,(2004年第10期)入侵害怕癌症复发害怕癌症复发癌症担忧量表(CWS)(Custers等人, 2018年)-社会支持低认知功能障碍van Sonderen社会支持列表(SSL)(缩短版)(Poort等人,2017; van Sonderen,1993;vanSonderen和Ormel,1997)疾病管理问卷(IMQ)(Ray等人, 1993;Andrykowski等人,(2005年)负相互作用(SSL-N)离散性(SSL-D)专注于症状(IMQ-FS)≥有益思维关于疲劳疲劳灾难性量表(FCS)(Jacobsen等人,(2004年第10期)–≥自我效能量表(SES)(Gielissen等人, 2007年)- ≤ 19 17 22 21根据调查表显示的模块数量:3 1 4处理模块靶向维持因子使用以下问卷进行分量表截止评分患者A患者B患者C与癌症作对癌症事件影响量表(IES)(Brom和Kleber,1985;避免≥10240283043 3042≥1019023≥1016817≥109710≥14121010S.J. Harnas等人互联网干预25(2021)1004305研究人员(SH)在获得完整测量值后,在治疗开始时(E0)和治疗期间(E1)立即进行。2.6.2.1. 数 据 准 备 在 进 行 分 析 之 前 , 检 查 变 量 的 均 方 连 续 差(MSSD)。为了确保每个变量内有足够的变异性,并因此增加找到有效VAR模型的概率,MSSD为50或更小的变量不包括在AutoVAR分析中(Krieke等人,2016年)。虽然排除这些变量的主要原因是统计学上的,但低变异性的变量在理论上也不那么令人感兴趣,因为在VAR框架内评估的是围绕均衡的短期动态。从这个角度来看,一个非波动变量不太可能是另一个变量波动的重要预测因素,反之亦然。如果所有变量均显示出足够的变异性,则分析中最多可纳入12个变量。接下来,检查数据是否存在缺失测量值。 使用R中的Amelia II软件包插补缺失的测量值(Honaker等人,2011年)。Amelia II是一种适用于时间序列数据的多重插补方法,它使用期望最大化和自举。对每名参与者的数据分别进行插补,为每名参与者提供5个插补数据集。为了进行分析,通过平均将这些数据集合并。预测变量是所有研究变量的滞后以及时间的二阶多项式。为了满足其正态分布变量的假设,在插补之前对变量进行检查,并在右偏或左偏变量的情况下分别进行对数或幂变换。2.6.2.2. 向量自回归模型。利用向量自回归模型,可以研究两个或多个时间序列之间的时间动态。此外,通过分离模型的动态部分(即,e.变量的时滞值之间的关系)与同时部分(即,同时变量之间的关系)之间的关系,该模型能够推断效应的时间顺序,也称为Granger因果关系(Rosmalen等人,2012年;Brandt和Williams,2006年)。 具体地说,变量Y被称为“Granger比Z的过去值单独可以做的更多(Rosmalen等人,2012年; Lütkepohl,2006年)。因此,(维持)因素和感兴趣的症状(在这种情况下,癌症相关的疲劳)可以建立。用Auto-VAR软件对单个时间序列进行分析,该软件可以自动分析时间序列利用向量自回归建模(vanderKrieke等人,2015; Emerencia等人,2016年; Brandt和Williams,2006年)。我们使用R中的AutoVAR包,版本1.2.1335(Emerencia等人,2016年)。对于那些不熟悉R的人,也可以使用前端网站(www. autovar.nl)。其主要功能是生成一系列VAR模型,这些模型不会使VAR的模型假设(即白噪声假设、平稳性、方差齐性和回归正态性)无效。AutoVAR可以对模型进行总结,以提供对以下内容的洞察,例如,数据集中存在显著的格兰杰因果关系。 有关AutoVAR程序的更多详细信息,请参见Emerencia et al. (2016年)。在本研究中,应用了最大滞后长度2(例如,一个变量的变化导致另一个变量在大约6小时后发生变化),并且最初仅分别分析了癌症相关疲劳与每种不同维持症状之间的关联。2.6.2.3. 根据EMA和时间序列分析制定个性化治疗计划。在第一个生态瞬时评估期后,我们决定除了前两个强制性治疗模块外,还应向患者分配哪个可选治疗模块。为此,我们确定了个体患者癌症相关疲劳的最相关维持因素,与其中一个可选治疗模块相关。最相关的维持因素被确定为格兰杰在大多数有效调查由AutoVAR生成的VAR模型(百分比最高)。因此,相关的可选治疗模块被添加到治疗计划中。如果与可选模块相关的两个或更多个维持因素显示出相同的百分比,则在一个模型中同时分析这些因素以确定最强的维持因素。如果在第一次随访评估(T1)后继续治疗,则第二次生态瞬时评估确定重复哪个治疗模块或将哪个治疗模块添加到治疗计划中。为此,我们确定了哪些维持因素(仍然)格兰杰导致癌症相关的疲劳。将相关治疗模块添加到治疗计划中或重复。3. 结果:案例说明3.1. 患者A患者A是一位60岁的女性,在乳腺癌治疗结束后18个月,由于癌症相关的疲劳而接受心理治疗。她接受了包括新辅助化疗、乳房切除术、辅助放疗和辅助激素治疗在内的根治性治疗。在转诊时,她仍接受激素治疗。在基线(T0)时,在服药和开始治疗前,患者A的个体力量检查表(CIS)疲劳严重程度子量表评分为47,表明存在重度疲劳(见表2)。3.1.1. 首个EMA(E0)在摄入后,患者A完成了第一次EMA。她完成了70项评估中的69项。在图2中,绘制了患者A在第一次EMA期间的疲劳评分(E0,蓝线)。在图3中,示出了在E0时患者A的维持因素的分数。一个变量的平均连续差(MSSD)小于50。根据分析结果,Granger因子有四个方面对疲劳产生影响.这四个因素与两个可选的治疗模块相关。在最有效的VAR模型中,预测疲劳的因素是避免让她想起癌症和癌症治疗的事情或情况。回避项目的得分越高,疲劳项目的得分越高(图1)。 4)。3.1.2. E0后的治疗计划根据第一次EMA,我们得出结论,避免使她想到癌症的情况或事情是该患者疲劳的最相关主要因素相关的治疗模块(‘Coping图5)。与其他问题(图1中的D0)(见表1)的结果比较显示,基于这些评分,显示了三个可选模块:(1)应对癌症和癌症治疗,(2)对癌症复发的恐惧和(3)有益的思考(图1)。 5)。3.1.3. 后续评估在根据个性化治疗计划完成三个治疗模块后,患者A再次完成了个体强度检查表(CIS)。她在个体力量检查表(CIS)的子量表疲劳严重程度上得分为16分(见表1),表2患者A、B和C治疗前(T0)、治疗期间(T1)和治疗结束后 (T2)的评分。个体力量检查表(CIS)的子量表疲劳评分临界值≥35测量患者A患者B患者CT0474441T1162121T2161637S.J. Harnas等人互联网干预25(2021)1004306表明没有严重疲劳。患者A也完成了第二次EMA。她完成了70项评估中的66项。在图2中,绘制了患者A在第二次EMA期间的疲劳评分(E1,红线)。在图3中,示出了患者A在E1时的维持因素的分数。7个变量的平均连续差(MSSD)小于50。分析表明,疲劳是由一个Granger因子引起的.这个因素与强制治疗模块的活动有关模式“(见图 5)。在体育活动项目上的得分较高,在疲劳项目上的得分更高3.1.4. E1后的治疗计划在T1时,患者在个体力量检查表(CIS)的子量表疲劳严重程度上的评分为16分(见表2),表明不存在严重疲劳。因此,建议可以结束CBT。病人A同意了这个建议。因此,患者A通过评估其目标的实现情况来完成治疗(图1)。 5)。她意识她的所有目标,除了通过园艺增加她的身体活动她还在研究这个问题。所以她认识到了体力活动和疲劳之间存在的联系。然而,她觉得她能够自己管理,使用工具逐渐增加她在治疗期间接受的活动水平。经患者同意,治疗结束。总的来说,治疗包括12次会议(面对面或在线,不使用额外的视频会议),为期21周。完成治疗后,患者A再次完成了个体强度检查表(CIS)。她的个体力量检查表(CIS)的子量表疲劳严重度评分仍为16分(见表1),表明不存在严重疲劳。3.2. 患者B患者B是一名56岁的女性,在乳腺癌治疗结束后18个月,由于癌症相关的疲劳而接受心理治疗。她接受了包括部分乳房切除术、辅助化疗、辅助放疗和辅助激素治疗在内的根治性治疗。转诊时,患者仍接受激素治疗。基线(T0)时,在服药和开始治疗前,患者B的个体强度检查表(CIS)疲劳严重程度子量表评分为44,表明存在严重疲劳(见表2)。3.2.1. 首个EMA(E0)患者B在摄入后完成了首次EMA。患者B完成了70项评估中的68项。在图2中,绘制了患者B在第一次EMA期间的疲劳评分(E0,蓝线)。在图3中,示出了在E0时患者B的维持因素的分数。SIX变量的平均连续差(MSSD)小于50。根据分析结果,三个Granger变量是引起疲劳的主要原因.这些变量是:社会活动,心理活动和身体活动。这三个因素与四个可选治疗模块之一无关。在最有效的VAR模型中预测疲劳的因素(最高百分比)是社交活动(见图4中的关联)。社交活动项目的得分越高,疲劳项目的得分越高(图11)。 4)。3.2.2. E0后的治疗计划由于个体时间序列分析表明,与Granger可选治疗模块之一相关的因素不会导致疲劳,因此我们使用问卷来确定哪个可选模块 先分配。根据调查问卷,患者B有一个可选模块(见表1)。这个治疗模块是有帮助的想法。因此,该可选治疗模块被分配给患者B(图1)。 5)。3.2.3. 后续评估完成三个治疗模块后,患者B再次完成了个体强度检查表(CIS)。患者的评分为21分,图二、 患者A、B和C在第一次 和第二次 生态瞬时评估(EMA)中连续14天的疲劳评分。蓝线=第一EMA(E0),红线=第二EMA(E1)。图3.第三章。 第一次和第二次生态瞬时评估(EMA)中患者A、B和C连续14天的维持因子评分。蓝线=关注疲劳,红线=灾难化,绿线=无能为力,紫色=自我效能,侵入=黄色,回避=粉色,缺乏社会理解=黑色。注:除自我效能外,其他维持因子得分越低,负担越轻S.J. Harnas等人互联网干预25(2021)1004307S.J. Harnas等人互联网干预25(2021)100430个体强度检查表(CIS)的子量表疲劳严重度(见表1),表明不存在严重疲劳。患者B还完成了第二次EMA(70次评估中的62次)。在图2中,绘制了患者B在第二次EMA期间的疲劳评分(E1,红线)。图3显示了患者B在E1时的维持因素评分。8个变量的平均连续差异(MSSD)小于50。通过分析,得出了三个影响疲劳的Granger因子这些面-所有的tors都与强制性治疗模块“活动模式”相关活动项目得分越高,疲劳项目得分越高。3.2.4. E1后的治疗计划在T1时,患者B在个体力量检查表(CIS)的子量表疲劳严重度上显示评分为21(见表2),表明不存在严重疲劳。因此,建议CBT可以结束然而,患者B更愿意继续治疗。因此,通过重复“活动模式”模块继续治疗重复该模块后,治疗结束。治疗总共包括15次会议(面对面或在线,1次视频会议),为期25周。完成治疗后,患者B再次完成了个体强度检查表(CIS)。她的个体力量检查表(CIS)的子量表疲劳严重度评分为16分(见表1),表明不存在严重疲劳。3.3. 患者C患者C是一名50岁的女性,在乳腺癌治疗结束后34个月,由于癌症相关的疲劳,她申请参加MATCH研究。她接受了根治性治疗,包括全乳房切除术和辅助激素治疗。在转诊时,患者C仍接受激素治疗。在基线(T0)时,在服药和开始治疗前,患者C的个体力量检查表(CIS)疲劳严重程度子量表评分为41,表明存在重度疲劳(见表2)。3.3.1. 首个EMA(E0)在摄入后,患者C完成了第一次EMA。她完成了70项评估中的69项在图2中,绘制了患者C在第一次EMA期间的疲劳评分(E0,蓝线)。 图图3示出了患者C在E0时的维持因素得分。所有变量的平均连续差(MSSD)均大于50。分析表明,Granger因子中有一个是引起疲劳的原因.这一因素与一个可选的治疗模块有关(见图1)。5)。癌症复发恐惧项目的得分越高,预示着疲劳得分越高(图1)。4)。3.3.2. E0后的治疗计划在第一个EMA的基础上,我们在治疗计划中增加了可选的治疗模块与来自附加问卷的结果(图1中的D0)(参见表1)的比较揭示,基于这些分数,所有四个可选模块都被指示:(1)应对癌症和癌症治疗,(2)对癌症的恐惧,癌症复发,(3)有益的想法和(4)社会支持(图。 5)。3.3.3. 后续评估完成三个治疗模块后,患者C再次完成了个体强度检查表(CIS)她在个体力量检查表(CIS)的子量表疲劳严重程度上得分为21分(见表1),表明不存在严重疲劳。患者C也完成了第二次EMA。她完成了70项评估中的66项 图 2显示了患者C在第二次EMA期间的疲劳评分(E1,红线)。图图3示出了患者C在E1时的维持因素得分。SIX变量的平均连续差(MSSD)小于50。通过分析,得出了三个影响疲劳的Granger因子。这些因素与强制治疗模块的活动有关模式 的 两 任择 治疗 模块 的恐惧 的 癌8图四、应用程序AutoVAR显示的部分输出,分 别 说明了 E0 时 患 者 A、 B和 C 的 最 强 预 测 因 子 的Granger因果关系汇总图。图五. 个性化治疗计划与基于患者A、B和C问卷的治疗计划。S.J. Harnas等人互联网干预25(2021)1004309S.J. Harnas等人互联网干预25(2021)10043010“复发癌症复发的恐惧与疲劳的关系仍然是积极的,这表明癌症复发恐惧项目的得分越高,疲劳程度越高成绩.3.3.4. E1后的治疗计划在T1时,患者在个体力量检查表(CIS)的子量表疲劳严重程度上的评分为21分(见表2),表明不存在严重疲劳。因此,建议可以结束CBT。病人C同意了这个建议。因此,患者C通过评估其目标的实现情况来完成治疗(图5)。治疗总共包括12个疗程(面对面或在线,不使用额外的视频疗程),持续21周。治疗结束后,患者再次完成个体强度检查表(CIS)。她在个体力量检查表(CIS)的子量表疲劳严重程度上的评分为37分(见表1),表明重度疲劳复发。患者C向我们提供了额外的信息,即某些生活事件导致她的疲劳评分增加;她没有经历这是癌症相关疲劳的复发4. 讨论通过该病例系列报告,我们说明了如何使用AutoVAR进行个体时间序列分析,以个性化CBT治疗癌症相关疲劳。由于这是首次尝试将这种方法应用于临床实践中的个性化治疗计划,我们希望这些结果能够为临床医生和该领域的研究人员提供信息。基于本研究中的三个病例,该方法在临床实践中的应用似乎是可行的,因为患者愿意并且能够完成EMA,并且使用AutoVAR进行的个体时间序列分析导致可治疗的维持因子与癌症相关疲乏之间存在相关性。总之,本研究对心理治疗的个性化有几个重要的发现。这项研究的结果证实,通过问卷调查测量的因素,不一定意味着这些因素预测目标症状(在这种情况下,癌症相关的疲劳)。在患者C中,根据问卷评分,存在与可选治疗模块相关的所有维持因素。然而,使用AutoVAR进行的个体时间序列分析显示,这些因素中只有一个实际上预测了该患者日常生活中疲劳的变化。在患者B中,基于问卷上的评分指示一个可选治疗模块。然而,基于使用AutoVAR进行的个体时间序列分析,由于未识别出与这些模块相关的预测因子,因此未指明可选治疗模块。在患者A中,基于问卷指示了三个可选模块。然而,使用AutoVAR进行的个体时间序列分析显示,三个可选模块中的两个被指示为预测疲劳变化的相关维持因子。假设维持因素的存在(平均水平)与预测症状随时间变化的因素的存在之间的差异表明个体化(与基于组的治疗方法相反)治疗方法的优点。确定这些因素影响个体患者个性化认知行为疗法个性化CBT的最终目标是设计一个个性化的治疗计划,这是最有效和最有效的特定患者。在治疗开始时确定最相关的主要因素并将相关治疗模块添加到治疗计划中可能是一种有前途的方法。假设是,通过这种方式,首先针对每个患者影响癌症相关疲劳的最重要因素。如图3所示,这种方法导致存在的其他维持因子的改善,而这些维持因子在治疗期间不是直接靶向的。在基本层面上,这种方法与基于规则的方法在基本理论模型的位置上不同。在基于规则的方法中,理论模型是做出治疗决策的主要指导,即患者适合于该模型本研究中应用的基于个人特征的方法以理论模型为起点,并添加了由生态瞬时评估产生的个人特定关联和动态,因此案例概念化真正更加
下载后可阅读完整内容,剩余1页未读,立即下载
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![doc](https://img-home.csdnimg.cn/images/20210720083327.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)