Background: Identifying and addressing hotspots is a key element of imaginal exposure in Brief Eclectic Psychotherapy for PTSD (BEPP). Research shows that treatment effectiveness is associated with focusing on these hotspots and that hotspot frequency and characteristics may serve as indicators for treatment success. Objective: This study aims to develop a model to automatically recognize hotspots based on text and speech features, which might be an efficient way to track patient progress and predict treatment efficacy. Method: A multimodal supervised classification model was developed based on analog tape recordings and transcripts of imaginal exposure sessions of 10 successful and 10 non-successful treatment completers. Data mining and machine learning techniques were used to extract and select text (e.g. words and word combinations) and speech (e.g. speech rate, pauses between words) features that distinguish between 'hotspot' (N = 37) and 'non-hotspot' (N = 45) phases during exposure sessions. Results: The developed model resulted in a high training performance (mean F 1-score of 0.76) but a low testing performance (mean F 1-score = 0.52). This shows that the selected text and speech features could clearly distinguish between hotspots and non-hotspots in the current data set, but will probably not recognize hotspots from new input data very well. Conclusions: In order to improve the recognition of new hotspots, the described methodology should be applied to a larger, higher quality (digitally recorded) data set. As such this study should be seen mainly as a proof of concept, demonstrating the possible application and contribution of automatic text and audio analysis to therapy process research in PTSD and mental health research in general.
Antecedentes:La identificación y el abordaje de los puntos críticos (hotspots en inglés) es un elemento clave para exposición imaginaria en la Psicoterapia Ecléctica Breve para TEPT (BEPP por sus siglas en inglés). La investigación muestra que la efectividad del tratamiento se asocia con la focalización en estos puntos críticosy que la frecuencia y características de los puntos críticos podría servir de indicador para el éxito terapéutico.Objetivo: Este estudio tiene como objetivo desarrollar un modelo para reconocer automáticamente los puntos críticos basados en características de texto y discurso, lo que podría ser una forma eficiente de seguir los progresos del paciente y predecir la eficacia del tratamiento.Metodo: Se desarrolló un modelo de clasificación supervisada multimodal basado en grabaciones y transcripciones de cintas analógicas de sesiones de exposición imaginaria de diez de tratamiento exitosos y diez no exitosos. Se usaron técnicas de minería de datos y técnicas de aprendizaje automático para extraer y seleccionar las características de texto (ej., palabras y combinaciones de palabras) y discurso (ej., velocidad del discurso, pausas entre las palabras) que distinguen entre las fases de ‘puntos críticos’ (N= 37) y ‘ puntos no críticos’ (N= 45) durante las sesiones de exposición.Resultados: El modelo desarrollado resultó en un alto rendimiento de entrenamiento (puntaje F1 promedio de 0.76) pero un bajo rendimiento de prueba (puntaje F1 promedio = 0.52). Esto muestra que las características de los textos y discursos seleccionados podrían distinguir claramente entre puntos críticos y puntos no críticos en el conjunto de datos actual, pero probablemente no reconocerá muy bien los puntos críticos de nuevos datos de entrada.Conclusiones: Para mejorar el reconocimiento de nuevos puntos críticos, la metodología descrita debería ser aplicada a un conjunto de datos más grande y de mejor alta calidad (grabado digital). Como tal, este estudio debe verse principalmente como una prueba de concepto, demostrando la posible aplicación y contribución del análisis automático de texto y audio para la investigación del proceso terapéutico en TEPT e investigación en salud mental en general.
背景:在PTSD的简短折衷心理疗法 (BEPP) 中, 识别和解决热点 (hotspot) 是想象暴露法的关键要素。研究表明, 治疗效果与关注这些热点有关, 并且热点频率和特征可以作为治疗成功的指标。目标:本研究旨在开发一种基于文本和语音特征来自动识别热点的模型, 这可能是追踪患者进展和预测治疗效果的有效方法。方法:基于对十个成功和十个不成功治疗完成者的想象暴露会话的模拟磁带录音和笔录, 建立了多模式监督分类模型。数据挖掘和机器学习技术用于在暴露会话中提取和选择区分‘热点’ (N = 37) 和‘非热点’ (N = 45) 阶段的文本 (例如单词和单词组合) 和语音 (例如语速, 单词间的停顿) 。结果:开发的模型训练成绩很高 (平均F1得分为0.76), 但测试性能较低 (平均F1得分为0.52) 。这表明所选的文本和语音特征可以清楚地区分此数据集的热点和非热点, 但可能无法很好地识别新输入数据中的热点。结论:为了提高对新热点的识别, 应将所描述的方法应用于更大, 更高质量 (数字记录) 的数据集。因此, 本研究应主要被视为概念的证明, 证明自动文本和音频分析在PTSD的治疗过程研究和一般心理健康研究中可能的应用和贡献。.
Keywords: Supervised classification; brief eclectic psychotherapy; cognitive behavioural therapy; hotspot; posttraumatic stress disorder; speech analysis; text mining.
© 2020 The Author(s). Published by Informa UK Limited, trading as Taylor & Francis Group.