Depressionsverläufe in unterschiedlichen Psychotherapieformen - Modellierung durch Hierarchische Lineare Modelle (HLM)

Behandlungsverlauf bei depressiven Störungen

Zusammenfassung. Theoretischer Hintergrund: Derzeit ist unklar, auf welche Faktoren frühe Symptomveränderungen während einer Psychotherapie zurückzuführen sind. Fragestellung: Die vorliegende Studie untersucht verschiedene intrapsychische und interpersonelle Prädiktoren des Patienten und seines Partners auf den Symptomverlauf während einer Depressionsbehandlung. Methode: Die Analysen wurden mittels hierarchisch-linearen Modellen durchgeführt und basieren auf Daten von 60 Paaren, die im Rahmen einer kontrolliert-randomisierten Studie Psychotherapie in Anspruch nahmen. Resultate: Die Ergebnisse zeigen, dass bei den intrapsychischen Variablen vor allem Depressionsdauer, individuelles Coping und allgemeine Lebenszufriedenheit und bei den interpersonellen Variablen die soziale Unterstützung und das negative Verhalten im Konfliktgespräch den Symptomverlauf während der Therapie vorhersagen können. Das Hinzufügen von interpersonellen zu den intrapsychischen Variablen erhöht die Varianzaufklärung von 30% auf 50%. Schlussfolgerung: Interpersonelle Probleme sollten vermehrt in die Therapieplanung einbezogen werden, da sie einen wichtigen Einfluss auf den Symptomverlauf haben, jedoch bisher oft vernachlässigt wurden.

Paraprofessionals for anxiety and depressive disorders

BACKGROUND

The established mental health care system does not have the resources to meet the extensive need for care of those with anxiety and depressive disorders. Paraprofessionals partially replacing professionals may be cost-effective.

OBJECTIVES

To investigate the effectiveness of any kind of psychological treatment for anxiety and depressive disorders performed by paraprofessionals compared with professionals, waiting list or placebo condition. To examine whether the results apply to clinically significant anxiety and depressive disorders of referred patients with a psychiatric history and/or whose illness has lasted two years or more.

SEARCH STRATEGY

CCDANCTR-Studies using the following terms: (paraprofessional* or para-professional* or non-professional* or non-professional* or peer or volunt*); EMBASE (ExerptaMedica), MEDLINE and PsycINFO, all years published, key words: para-/paraprofessional, non-/nonprofessional, rand*, respectively psy*; citation lists of articles reviewing the subject and included studies; correspondence with authors of controlled studies and review reports on the subject.

SELECTION CRITERIA

Randomised controlled trials that used symptom measures, and compared the effects of psychological treatments given by paraprofessionals (mental health care workers, paid or voluntary, unqualified with respect to the psychological treatment) with psychological treatments given by professionals, and with waiting list or placebo condition.

DATA COLLECTION AND ANALYSIS

The standard mean difference was used to pool continuous data from each trial, and odds ratios were used to pool dichotomous data, using a random effects model. The generic inverse variance method was used for combining continuous and dichotomous data. The effect of low quality studies and the use of self-rated versus observer-rated measures were tested, and subgroup analyses were performed for differences between depression and anxiety diagnosis, paraprofessionals with/without professional background, group/individual intervention, length of follow-up and gender (post-hoc subgroup analysis).

MAIN RESULTS

Five studies, all using self-report measures, reported five comparisons of paraprofessionals versus professionals (n=106) and five comparisons of paraprofessionals versus control condition (n=220). No differences were found between paraprofessionals and professionals (SMD=0.09, 95% CI -0.23 to 0.40, p=0.58; no significant heterogeneity). Studies comparing paraprofessionals versus control reported mixed continuous and dichotomous data showed a significant pooled effect in favour of paraprofessionals (OR=0.34, 95% CI 0.13 to 0.88, p=0.03), but heterogeneity was indicated (I(2)=60.9%, Chi(2)= 10.24, df=4, p=0.04). After correction for heterogeneity and removing one study of low quality, the pooling of data from three studies (n=128; mixed gender and women only) indicated no significant difference in effect between paraprofessionals and professionals (SMD=0.13, 95% CI -0.39 to 0.64; p=0.63) and a strongly significant pooled effect for three studies (n=188; women only) favouring paraprofessionals over the control condition (OR=0.30, 95% CI 0.18 to 0.48, p<0.00001), and homogeneity indicated between studies (I(2)=0%, Chi(2)=0.47, df=2, p=0.79).

AUTHORS' CONCLUSIONS

The few studies included in the review did not allow conclusions about the effect of paraprofessionals compared to professionals. Pooling data from three studies, involving women only, indicated a significant effect for paraprofessionals (all volunteers) compared to no treatment. The evidence to date may justify the development and evaluation of programs incorporating paraprofessionals in treatment programs for anxiety and depressive disorders.

Analyse von Längsschnittdaten:

Zusammenfassung. Theoretischer Hintergrund: Zur statistischen Auswertung von Längsschnittdaten werden häufig etablierte Methoden wie die Varianzanalyse mit Messwiederholung verwendet, die jedoch hinsichtlich ihrer statistischen Annahmen und der Berücksichtigung fehlender Werte sehr begrenzt sind. In den letzten Jahren wurden geeignetere Verfahren entwickelt, die sich unter den Begriffen Mehrebenenmodelle oder hierarchische lineare Modelle (HLM) zusammenfassen lassen. Fragestellung: Die Verbesserungen durch flexiblere Annahmen in der Varianzanalyse und insbesondere durch den so genannten random regression-Ansatz, der in vielen Fällen eine sinnvolle Alternative zu varianzanalytischen Verfahren darstellen kann, werden erläutert. Methode: Die Herleitung erfolgt nicht-technisch am Beispiel einer Therapieverlaufsstudie und folgt klinisch-psychologischen Fragestellungen. Ergebnisse: Es zeigt sich, dass mit den Methoden der HLM die besonderen Anforderungen von Therapieverlaufsdaten wie personenspezifische Effekte, variierende serielle Abhängigkeiten und ungleiche Erhebungszeitpunkte wesentlich besser modelliert werden können. Schlussfolgerung: Der Einsatz der HLM ermöglicht flexiblere Auswertungsansätze, wodurch die Teststärke und die Präzision der statistischen Tests für die Therapieevaluation und -prognose wächst.