Building a prediction model for outcomes following treatment in UK NHS Talking Therapies services for depression and anxiety

Deze studie ontwikkelde en intern valideerde multivariabele voorspellingsmodellen op basis van routinegegevens van bijna 31.000 patiënten om uitkomsten na behandeling van depressie en angst in de Britse NHS Talking Therapies te voorspellen, met als doel gepersonaliseerde zorg te bevorderen door patiënten met een risico op slechte uitkomsten vroegtijdig te identificeren.

De kern

De Voorspellers van de NHS: Hoe een slim computerprogramma de toekomst van therapie helpt

Stel je voor dat je naar een grote, drukke spreekkamer gaat voor je mentale gezondheid. Je krijgt een gesprek, maar de arts moet een moeilijke gok doen: Zal deze behandeling werken, of moet we iets anders proberen? In het Verenigd Koninkrijk krijgen miljoenen mensen therapie voor depressie en angst via de 'NHS Talking Therapies'. Het probleem is dat ongeveer de helft van de mensen niet volledig herstelt. Het is alsof je een sleutel probeert te vinden die past bij een slot, maar je hebt geen idee welke van de duizenden sleutels het doet.

Deze studie is als het bouwen van een slimme GPS voor artsen en therapeuten. In plaats van op hun buikgevoel te vertrouwen, hebben de onderzoekers een computermodel getraind om te voorspellen wie er waarschijnlijk zal herstellen en wie misschien extra hulp nodig heeft.

Hier is hoe ze dat deden, vertaald in alledaagse taal:

1. Het Grote Rekenvoorbeeld (De Data)

De onderzoekers keken naar een enorme verzameling dossiers: 31.000 volwassenen uit Zuid-Londen die een intensieve therapie kregen. Ze waren heel divers: mannen, vrouwen, mensen van verschillende etnische achtergronden, werkenden en werklozen.

Ze keken niet alleen naar de diagnose (bijv. "depressie"), maar ook naar het hele plaatje:

• De auto en de bestuurder: Hoe zwaar is de depressie? (De auto).
• De weg: Heeft de persoon een baan? Kan hij/zij Engels spreken? Heeft hij/zij een chronische ziekte? (De weg).
• De brandstof: Gebruikt de persoon medicijnen?

2. Het Bouwen van de GPS (Het Model)

De onderzoekers bouwden een wiskundig model (een soort "slimme voorspeller") dat leerde van al die 31.000 verhalen. Ze gebruikten een techniek die lijkt op het oefenen voor een examen: ze gaven het model een deel van de vragen, lieten het antwoorden, en keken of het gelijk had. Ze deden dit duizenden keren om zeker te weten dat het model niet alleen "leerde" uit het verleden, maar echt iets kon voorspellen voor de toekomst.

Wat bleek?
Het model was verrassend goed. Het kon met een zekerheid van ongeveer 70-75% voorspellen of iemand zou herstellen. Dat is als een weersvoorspelling die zegt: "Er is een grote kans op zonneschijn," en dat ook echt uitkomt.

3. De Belangrijkste Voorspellers (De "Rode Vlaggen")

Het model leerde welke factoren het meest belangrijk waren. Het was niet alleen "hoe zwaar is je depressie?". Het model zag ook andere dingen die een grote rol spelen:

• De Werkloosheid: Mensen die werkloos waren (vooral door ziekte) hadden het vaak moeilijker om te herstellen. Het is alsof je probeert een fiets te repareren terwijl je ook nog een berg bagage moet dragen; het kost meer energie.
• De Taal: Mensen die geen Engels konden spreken, hadden het vaak lastiger. Het is alsof je een kaart leest in een taal die je niet kent; je komt makkelijker vast te zitten.
• De "Basis" (Armoede en Uitkeringen): Mensen die uitkeringen ontvingen of een langdurige ziekte hadden, hadden vaker te maken met obstakels.
• De Werkplek: De mate waarin iemand zijn of haar werk of sociale leven kon uitvoeren, was een heel sterke voorspeller.

4. Waarom is dit zo belangrijk? (De "Slimme GPS" in de praktijk)

Vroeger was therapie voor iedereen vaak hetzelfde: "Hier is een boekje, kom volgende week terug." Dit model verandert dat.

Stel je voor dat de therapeut de "GPS" opent voordat de patiënt binnenkomt. Het scherm zegt: "Let op: deze patiënt heeft een hoger risico dat de standaardtherapie niet werkt, vanwege de werkloosheid en de taalbarrière."

Wat kan de therapeut dan doen?

• Aanpassen: Misschien moet de therapie anders worden aangepakt, of moet er extra hulp bij komen (zoals een jobcoach of een tolk).
• Vroegtijdig ingrijpen: In plaats van te wachten tot de patiënt na 10 sessies nog steeds niet beter is, kan de therapeut nu al zeggen: "Laten we een ander plan maken."
• Eerlijkheid: Het model helpt ervoor te zorgen dat niemand wordt vergeten. Het laat zien dat bepaalde groepen (zoals mensen met een migratieachtergrond of een handicap) extra aandacht nodig hebben om dezelfde kansen te krijgen.

5. De Grootte van de Uitdaging

De onderzoekers zeggen: "Dit is een geweldige start, maar het is nog niet de definitieve oplossing."

• De Test: Het model is getest in Zuid-Londen. Het moet nu ook worden getest in andere delen van Engeland om te zien of het daar ook werkt.
• Geen Voorspelling van het Lot: Het model zegt niet: "Deze persoon zal nooit herstellen." Het zegt alleen: "Deze persoon heeft een hoger risico." Het is een waarschuwingssignaal, geen vonnis.

Conclusie

Deze studie is als het ontwikkelen van een slimme navigatiesysteem voor de mentale gezondheidszorg. Het helpt artsen om niet blindelings door de mist te rijden, maar om de weg te zien die voor elke patiënt het beste is. Door te kijken naar het hele plaatje – niet alleen de symptomen, maar ook het leven van de patiënt – kunnen we therapie eerlijker, effectiever en persoonlijker maken.

Het doel is simpel: ervoor zorgen dat niemand de verkeerde weg op gaat, en dat iedereen de juiste sleutel krijgt om zijn of haar slot te openen.

Technische samenvatting

Titel: Bouwen van een voorspellingsmodel voor uitkomsten na behandeling in de NHS Talking Therapies-diensten voor depressie en angst in het VK

1. Probleemstelling

Depressie en angst zijn veelvoorkomende psychiatrische aandoeningen in het Verenigd Koninkrijk. Het NHS Talking Therapies (NHS-TT) programma is de grootste aanbieder van evidence-based therapieën, maar slechts ongeveer 50% van de patiënten bereikt herstel. Er is aanzienlijke variatie in uitkomsten; individuen met dezelfde diagnose reageren verschillend op therapie.
Bestaande literatuur focust vaak op groepsassociaties in homogene (voornamelijk blanke) steekproeven en mist vaak robuuste validatiemethoden, zoals kalibratie. Dit beperkt de generaliseerbaarheid en de eerlijkheid van modellen voor klinisch gebruik. Er is behoefte aan nauwkeurige, individuele voorspellingsmodellen die kunnen helpen bij het identificeren van patiënten met een risico op slechte uitkomsten, zodat de zorg kan worden gepersonaliseerd en gestratificeerd.

2. Methodologie

Dataverzameling en Steekproef:

• Bron: Klinische gegevens uit het South London and Maudsley NHS Foundation Trust (SLaM), gedekt over vier gemeenten (Lambeth, Southwark, Lewisham, Croydon).
• Periode: Januari 2018 tot augustus 2024.
• Steekproefgrootte: Na data-cleaning bleven 30.999 volwassenen over die een high-intensity therapie (bijv. cognitieve gedragstherapie) van 3 tot 21 sessies hadden voltooid.
• Demografie: De steekproef is etnisch divers (57% blank, 22% zwart/Black British) en grotendeels vrouwelijk (73%).

Doelvariabelen (Outcomes):
Er werden zeven binaire uitkomsten gemodelleerd aan het einde van de behandeling:

1. Betrouwbare verbetering (Reliable improvement) voor depressie en angst.
2. Herstel (Recovery) voor depressie en angst.
3. Betrouwbare herstel (Reliable recovery) voor depressie en angst.
4. Functionele beperking (Functional impairment) gemeten met de WSAS (Work and Social Adjustment Scale).

Predictoren:
Een breed scala aan sociodemografische en klinische variabelen op baseline, waaronder:

• Symptoomernst (PHQ-9, GAD-7, WSAS).
• Sociodemografische factoren: Leeftijd, geslacht, etniciteit, taalvaardigheid, werkloosheid, uitkeringsstatus, religie.
• Klinische factoren: Medicatiegebruik, aanwezigheid van langdurige aandoeningen, handicap, eerdere verwijzingen, primaire diagnose.

Modelontwikkeling:

• Algoritme: Elastic Net logistische regressie (een regularisatietechniek die L1 en L2 straffen combineert om overfitting te voorkomen en interpretatie te behouden).
• Data-preprocessing: Ontbrekende waarden werden geïmputeerd met K-Nearest Neighbors (KNN, K=5). Categorieën werden dummy-coded.
• Validatie: Interne validatie met behulp van geneste bootstrap-resampling (200 iteraties). Dit is cruciaal voor het corrigeren van optimisme en het schatten van de prestaties op nieuwe data zonder data-lekkage.
• Evaluatiemetrics:
  • Discriminatie: AUC (Area Under the Curve), Sensitiviteit, Specificiteit.
  • Kalibratie: Kalibratie-intercept en -helling, Brier-score, en LOWESS-kalibratiecurven.
  • Stabiliteit: Analyse van voorspellingstabiliteit en kalibratiestabiliteit over de bootstrap-iteraties.

3. Belangrijkste Resultaten

Modelprestaties:
De modellen vertoonden een gemiddelde tot goede discriminatie en sterke kalibratie.

• AUC-waarden (Optimisme-correcteerd):
  • Depressie (Betrouwbare verbetering): 0,76
  • Angst (Betrouwbare verbetering): 0,75
  • Functionele beperking: 0,77 (hoogste prestatie)
  • Betrouwbare herstel (zowel depressie als angst): Lager, rond de 0,63 - 0,67. Dit wordt verklaard door de complexiteit van het combineren van twee criteria (onder de drempelwaarde komen én een significante verandering tonen).
• Kalibratie: De kalibratie-hellingen lagen dicht bij 1,00 en de intercepten bij 0, wat aangeeft dat de voorspelde kansen goed overeenkwamen met de waargenomen uitkomsten.

Belangrijkste Predictoren:
De modellen identificeerden consistente factoren die uitkomsten beïnvloeden:

1. Sociale determinanten: Werkloosheid door ziekte/handicap, ontvangst van uitkeringen, en het niet kunnen spreken van Engels waren sterke voorspellers voor slechtere uitkomsten.
2. Klinische factoren: Baseline symptoomernst (PHQ-9/GAD-7), functionele beperking (WSAS), medicatiegebruik en de aanwezigheid van een handicap of langdurige aandoening.
3. Demografie: Etniciteit, religie (o.a. moslim) en seksuele geaardheid (o.a. 'vragend' of niet-binaire identiteit) bleken ook significant, wat wijst op structurele barrières en ongelijkheid in de zorg.

Vergelijking met andere modellen:
De prestaties waren over het algemeen beter dan eerder gepubliceerde modellen voor NHS-TT, vooral wat betreft de kalibratie, die in eerdere studies vaak werd verwaarloosd of slecht was.

4. Bijdragen en Innovatie

• Groot, etnisch divers dataset: Het gebruik van een grote steekproef (N>30k) met een hoge diversiteit in etniciteit (22% zwart) maakt dit een van de eersten die de generaliseerbaarheid en eerlijkheid van modellen in een diverse populatie test.
• Focus op kalibratie: In tegenstelling tot veel eerdere studies die alleen naar AUC keken, legt dit onderzoek de nadruk op kalibratie, wat essentieel is voor klinische besluitvorming (waarbij kleine afwijkingen grote gevolgen kunnen hebben).
• Methodologische strengheid: Toepassing van nested bootstrap voor interne validatie en strikte adherentie aan de TRIPOD-AI richtlijnen voor transparante rapportage.
• Scheiding van uitkomsten: Het modelleren van depressie en angst uitkomsten apart (in plaats van gecombineerd) biedt een meer granulaire en klinisch relevante blik op de behandelingseffectiviteit.

5. Betekenis en Conclusie

De studie toont aan dat data-gedreven tools kunnen worden ingezet om klinische beslissingen te ondersteunen binnen de NHS Talking Therapies.

• Klinische toepassing: Modellen kunnen helpen bij het vroegtijdig identificeren van patiënten die minder kans hebben op herstel met standaardzorg. Dit kan leiden tot vroegtijdige aanpassingen, intensievere monitoring of verwijzing naar alternatieve behandelingen (gestratificeerde zorg).
• Eerlijkheid en Ongelijkheid: Het feit dat factoren zoals etniciteit, werkloosheid en taalvaardigheid sterke voorspellers zijn, benadrukt dat deze modellen niet alleen voorspellen, maar ook structurele ongelijkheden in de zorg blootleggen. Het onderstreept de noodzaak om deze barrières aan te pakken en zorgcultures aan te passen.
• Toekomstperspectief: Hoewel de interne validatie veelbelovend is, is externe validatie in onafhankelijke datasets en in andere regio's van Engeland noodzakelijk voordat deze modellen routinematig kunnen worden geïmplementeerd. Verdere onderzoek is nodig naar de impact op de klinische praktijk en de net-benefit voor patiënten.

Samenvattend biedt dit onderzoek een robuust fundament voor het ontwikkelen van eerlijke, nauwkeurige en klinisch bruikbare voorspellingsmodellen voor mentale gezondheidszorg in het VK.