Dapatkah Klasifikasi dengan menggunakan Analisis Pohon Membantu Pengambilan Keputusan Mengenai Pengobatan untuk Depresi dan Anxiety

Disorder?Sebuah Pemeriksaan Pendahuluan

Abstrak
Tujuan: Untuk mengidentifikasi bagaimana keputusan tentang pengobatan gangguan kecemasan dan depresi dibuat dalam pelayanan sekunder dan, khususnya, untuk mengarahkan keputusan yang berdasarkan pengobatan yang evidence based Metode: Analisis post hoc dilakukan dengan menggunakan sampel dari the National Institute for Health and Clinical Excellence Guidelines for Depression and Anxiety Disorder. Audit itu dilakukan oleh 5 tim yang menawarkan layanan kesehatan sekunder, mereka termasuk psikiater, psikolog, perawat jiwa, pekerja sosial, dual diagnosis workers, dan vocasional workers. Sampel pasien mencantumkan semua dari mereka dengan masalah utama depresi (n = 56) atau gangguan kecemasan (n = 16) yang ditawarkan pengobatan dari 16 Februari sampai dengan 3 April 2009. Variabel terikatnya adalah apakah pengobatan sesuai dengan pengobatan yang evidence based, dan variabel prediktornya adalah yang menyebabkan masalah, risiko, masalah komorbiditas, masalah sosial, dan sejarah psikiatri sebelumnya. Hasil: Pengambilan pengobatan lebih akurat untuk gangguan kecemasan (93% benar) daripada depresi (55%). Untuk gangguan kecemasan, ada atau tidak adanya masalah sosial adalah prediktor yang baik untuk apakah pengobatan secara evidence based atau pengobatan yang tidak secara evidence based ditawarkan, (44% (4/9) dari mereka dengan masalah sosial vs 100% (6/6) dari mereka yang tidak memiliki masalah sosial). Untuk depresi, variabel risiko memiliki dampak terbesar pada pengambilan keputusan pengobatan, meskipun tidak ada satu variabel yang dapat diidentifikasi sebagai faktor prediktor pengambilan keputusan pengobatan. Kesimpulan: Pengambilan keputusan dalam pengobatan untuk anxiety dan depresi dengan tree analysis umumnya konsisten untuk gangguan kecemasan tetapi kurang konsisten untuk depresi, membuat model pengambilan keputusan untuk depresi sangat sulit. Kurangnya kejelasan beberapa istilah dalam pedoman klinis dan depresi yang merupakan masalah kompleks bisa menjadi faktor yang berkontribusi terhadap kesulitan ini. Penelitian lebih

lanjut diperlukan untuk mengerti masalah pada pengambilan keputusan dengan pasien depresi. Pengambilan keputusan adalah tugas utama dari semua tenaga profesional kesehatan mental. Ridley dan -Shaw Ridley, "Keputusan yang akurat adalah keputusan yang berdasarkan tujuan yang beralasan dan memilih pengobatan yang sesuai, yang pada gilirannya sangat penting dalam mencapai hasil yang positif." 1 (p400) Sejumlah studi penelitian menekankan pentingnya penilaian klinis dan mengidentifikasi faktor-faktor lingkungan yang dapat mempengaruhi pengambilan keputusan. 2Namun, sangat sedikit studi yang berusaha mengidentifikasi bagaimana informasi pasien digunakan untuk membuat keputusan klinis. Dalam sebuah penelitian kualitatif, Martin 3 menggunakan grounded theory mengidentifikasi pengaruh penilaian klinis dalam perawatan kesehatan mental menemukan bahwa keputusan kurang konsisten, hal ini menjadi sangat tergantung pada waktu dan situasi. Dalam studi tentang pemberian pengobatan yang evidence based pada gangguan kecemasan, Roy-Byrne dkk 4 menunjukkan bahwa pengobatan yang sesuai evidenced base akan menghasilkan peningkatan yang baik pada gejala kecemasan dibandingkan dengan pengobatan yang biasa. Roy-Byrne dkk 4 meneliti pentingnya peningkatan perawatan kesehatan mental dengan menggunakan pengobatan berbasis bukti dalam pengaturan praktek dunia nyata di mana karakteristik pasien dan keterampilan dokter yang cukup bervariasi. Demikian pula untuk depresi, the Texas Medication Algorithm Project menunjukkan bahwa intervensi klinis berbasis bukti lebih berhasil dalam pengobatan depresi berat dibandingkan pengobatan seperti biasa. 5 Layanan kesehatan mental di Inggris diharapkan menggunakan pedoman klinis saat menawarkan pengobatan. Untuk gangguan depresi dan kecemasan, Rekomendasi yang ditetapkan oleh National Institute for Health and Clinical Excellence (NICE), 6- 9 yang didasarkan pada pengobatan berbasis bukti. Sebagai bagian dari pedoman klinis, NICE juga merekomendasikan serangkaian faktor kunci yang harus digunakan untuk menginformasikan penilaian klinis ketika membuat keputusan pengobatan untuk depresi dan gangguan kecemasan. Untuk depresi, faktor penting meliputi, masalah risiko komorbiditas kesehatan mental, masalah psikososial yang kompleks, dan sejarah pengobatan. Pedoman merekomendasikan bahwa informasi ini

digunakan untuk menentukan langkah yang tepat, meskipun hal ini juga dapat dipengaruhi oleh pilihan pasien. Poin Klinis :
Poin Klinis

Keputusan untuk merujuk Pengobatan yang evidence based konsisten untuk gangguan kecemasan dibandingkan dengan depresi. Ketidakkonsistenan pada pengambilan keputusan pengobatan depresi bisa disebabkan karena depresi lebih bersifat komplek. Perawatan diperlukan untuk memastikan bahwa pasien dengan depresi dan kebutuhan yang kompleks tidak ditolak untuk diberi akses ke perawatan berbasis bukti.

Salah satu metode kuantitatif menilai kepentingan relatif dari berbagai faktor yang terlibat dalam pengambilan keputusan adalah dengan menggunakan partisi rekursif, khususnya analisis klasifikasi pohon. Mann et al 10 berhasil menggunakan bentuk analisis untuk membedakan percobaan bunuh diri dalam gangguan kejiwaan dan menemukan bahwa keinginan bunuh diri saat ini adalah indikator terbaik dari usaha bunuh diri baru-baru ini pada pasien kejiwaan. Mann et al 10 menekankan bahwa keunggulan utama dari analisis ini adalah bahwa ia berusaha untuk menyerupai proses pengambilan keputusan klinis dan karenanya mungkin mudah untuk menafsirkan dalam praktek. Penelitian ini dilakukan menggunakan analisis post hoc dengan siklus audit yang menyelidiki pelaksanaan Pedoman Depresi dan Kecemasan Gangguan. Temuan utama adalah bahwa, setelah beberapa inisiatif pelaksanaan, penggunaan perawatan yang berjenjang meningkat secara signifikan, tetapi penggunaan perawatan berbasis bukti tidak, meskipun ada beberapa peningkatan dalam penggunaan perawatan psikologis pada audit kedua. Sebuah pertanyaan yang muncul adalah bagaimana keputusan tentang pengobatan dibuat dan, khususnya, apakah mungkin dapat diberikan keputusan yang evidence based.

METODE
Proyek Audit dilakukan di London Borough of Southwark (United Kingdom) dengan 5 Assessment and Brief Treatment (ABT) Tim yang menawarkan

layanan kesehatan sekunder sebagai bagian dari Mental Masyarakat Tim Kesehatan. Tim ABT multidisiplin termasuk psikiater, psikolog, perawat kejiwaan masyarakat, pekerja sosial, dual-diagnosis workers, dan vocasional workers. Tim mengobati orang dewasa usia kerja (18-65 tahun) yang memiliki berbagai masalah kesehatan mental yang berat atau kompleks. Untuk orang dengan gangguan kecemasan dan depresi, berbagai perawatan yang ditawarkan, termasuk farmakoterapi, terapi psikologis berbasis bukti (terutama terapi kognitif-perilaku [CBT]), alokasi koordinator perawatan, dukungan sosial, dan rujukan untuk non-bukti- terapi psikologis berbasis (misalnya psikoterapi psikodinamik). Sampel untuk analisis ini mencakup semua pasien dengan masalah utama depresi atau gangguan kecemasan yang ditawarkan pengobatan dari Tim ABT dari 16 Februari sampai dengan 3 April 2009.Tujuh puluh dua pasien termasuk dalam sampel, 56 dengan masalah utama depresi dan 16 dengan masalah utama dari gangguan kecemasan (termasuk gangguan obsesifkompulsif, gangguan stres pasca trauma, gangguan kecemasan umum, dan gangguan panik).
Tindakan

Informasi diambil dari catatan medik pasien. Variabel terikatnya adalah apakah pengobatan secara evidence based atau tidak. Intervensi adalah sebagai berikut.

Farmakoterapi dan tinjauan medis Bukti berbasis terapi psikologis (CBT, aktivasi perilaku) Perawatan Gabungan (farmakoterapi / tinjauan medis ditambah berbasis bukti terapi psikologis) Perawatan non-evidence based (alokasi koordinator perawatan, dukungan sosial untuk masalah seperti perumahan, keuangan, manfaat, dan dukungan imigrasi, dan terapi psikologis tidak direkomendasikan oleh NICE, seperti rujukan untuk terapi kognitif analitik dan terapi psikodinamik jangka panjang )

Variabel input yang menyajikan masalah, risiko, masalah komorbiditas, masalah sosial, dan sejarah psikiatri sebelumnya.

Analisa

Sebuah metode partisi rekursif digunakan untuk membangun pohon klasifikasi untuk memprediksi variabel dependen dengan menggunakan variabel prediktor kontinu dan kategoris. 11 pohon klasifikasi terpisah yang dihasilkan untuk depresi dan gangguan kecemasan menggunakan SPSS versi 15.0 (SPSS Inc, Chicago, Illinois). Pohon-pohon klasifikasi digunakan untuk menentukan kepentingan relatif dari prediktor ketika membuat keputusan pengobatan dan untuk menilai seberapa konsisten keputusan dibuat. Ketika menafsirkan data klasifikasi pohon, informasi berikut adalah penting: 1. Perkiraan risiko, yang menunjukkan risiko salah memprediksi kategori pengobatan untuk pasien; 2. Data tabel klasifikasi pada akurasi persentase, yang memberikan persentase seberapa akurat model dalam memprediksi pengobatan klien akan ditawarkan menggunakan informasi masukan variabel; 3. Urutan variabel prediktor, yang memberikan indikasi yang variabel mungkin memiliki lebih banyak pengaruh atas keputusan pengobatan, dan 4. Perkiraan resiko cross-validasi untuk pohon akhir, yang kemudian dihitung dengan rata-rata risiko untuk semua pohon dan menunjukkan keandalan klasifikasi pohon. Untuk memvalidasi kedua pohon klasifikasi, cross-validasi dengan 5 sampel lipatan digunakan. Untuk proses ini, SPSS menciptakan serangkaian pohon klasifikasi, setiap kali termasuk 5 kasus (subsampel a) dari data. Sebuah resiko kesalahan klasifikasi kemudian dihasilkan untuk setiap subsampel dengan menerapkan pohon ke subsampel dikecualikan dan mengidentifikasi jumlah kasus yang salah diklasifikasikan.

HASIL
Analisis klasifikasi pohon lebih akurat memprediksi keputusan pengobatan untuk pasien dengan gangguan kecemasan (93% benar) dibandingkan dengan pasien dengan depresi (55% benar).
Gangguan Kecemasan

Pada gangguan kecemasan pohon klasifikasi menunjukkan bahwa ada atau tidaknya masalah sosial adalah prediktor yang baik untuk apakah perawatan berbasis bukti atau non-berbasis bukti yang ditawarkan ( Gambar 1 ). Pasien dengan masalah-masalah sosial yang ditawarkan lebih banyak jenis

perawatan dibandingkan mereka yang tanpa masalah sosial, dan mereka lebih mungkin ditawarkan perawatan non-berbasis bukti, misalnya, dukungan ABT atau terapi psikologis non-berbasis bukti (56%). Namun, pasien cemas yang tidak punya masalah sosial semua ditawarkan beberapa bentuk pengobatan berbasis bukti (kombinasi perlakuan 50%, terapi psikologis berbasis bukti 33%, 17% farmakoterapi / tinjauan medis).

Gambar 1 Kecemasan Klasifikasi Pohon (93% kemampuan prediksi) Risiko perkiraan untuk gangguan kecemasan klasifikasi pohon itu 0,07, menunjukkan bahwa kategori pengobatan diprediksi oleh model adalah salah untuk hanya 7% kasus. Hal ini didukung oleh tabel klasifikasi, yang menunjukkan bahwa model dengan benar diklasifikasikan kategori pengobatan untuk 93% pasien. The cross-validasi perkiraan risiko kesalahan klasifikasi rendah sebesar 0,27.
Depresi

Depresi pohon klasifikasi menunjukkan bahwa, relatif terhadap variabel lain, status risiko memiliki dampak terbesar pada keputusan pengobatan, meskipun tidak ada satu variabel dapat diidentifikasi sebagai individual prediksi semua keputusan pengobatan. Pemeriksaan klasifikasi pohon depresi ( Gambar 2 ) menunjukkan bahwa pasien depresi yang ditawarkan lebih luas kategori pengobatan, dan karena itu lebih sulit untuk mengidentifikasi polapola yang konsisten. Lebih dari setengah dari pasien yang dinilai memiliki risiko sedang / tinggi menerima farmakoterapi / ulasan medis saja, dan pasien yang tersisa kemungkinan yang sama untuk menerima salah satu dari 3 perawatan berbasis bukti dan non-berbasis bukti lainnya. Namun, pasien berisiko rendah cenderung untuk menerima perawatan berbasis bukti, yaitu, baik farmakoterapi / ulasan medis saja atau kombinasi perlakuan.

Gambar 2 Depresi Klasifikasi Pohon (kemampuan prediksi 55%)

Risiko perkiraan untuk keseluruhan pohon klasifikasi depresi adalah 0.446, menunjukkan bahwa kategori pengobatan diprediksi oleh model adalah salah untuk 45% kasus. Hal ini didukung oleh tabel klasifikasi, yang mengungkapkan bahwa model benar diklasifikasikan kategori pengobatan untuk hanya 55% dari pasien. The cross-validasi perkiraan risiko kesalahan klasifikasi adalah tinggi pada 0,696.