Psychother Psychosom Med Psychol 2008; 58 - PS16
DOI: 10.1055/s-2008-1061603

Prozeßdynamik stationärer Psychotherapie – Untersuchung von Behandlungsverläufen mittels Funktionaler Datenanalyse FDA

T Simmich 1, A Robitzsch 2, U Altmann 2, LM Alisch 2
  • 1Klinik für Psychotherapie und Psychosomatik, Universitätsklinikum Carl Gustav Carus, TU Dresden
  • 2Fakultät Erziehungswissenschaften der TU Dresden

Im Rahmen einer Pilotstudie in einem naturalistischen Design wurden prozeßqualifizierende Variablen zur Charakterisierung des Behandlungsprozesses einer stationären Psychotherapie erfasst. Unter der Annahme, dass eine Symptomänderung dann zu erwarten ist, wenn die stationäre Psychotherapie zu einem dynamischen Veränderungsprozeß wird [1], wurden täglich 18 Variablen erfasst, durch die kritische Behandlungsepisoden charakterisiert sind. Aus Emotionsmessungen (POMS) sowie Selbst- und Fremdratings in selbst entwickelten Tagebüchern zu 40 Meßzeitpunkten zwischen dem 1. und 50. tagesgleichen Behandlungszeitpunkt wurden für jede Person Zeitreihen von 18 Variablen mit einer Länge von 50 Tagen gebildet. Nach Imputation fehlender Werte über ein linear mixed effects model [2] wurde die vorliegende Menge relevanter Daten, die im Rahmen der Funktionalen Datenanalyse FDA [3] nicht als multivariate Daten, sondern als Funktionen behandelt werden, einer Analyse der funktionalen Kovarianzstruktur mittels funktionaler Hauptkomponentenanalyse unterzogen. Insbesondere die 2. Hauptkomponente erscheint geeignet, im zeitlichen Verlauf einer stationären Psychotherapie die Veränderung der Prozeßdynamik über die Zeit abzubilden. Die Autoren zeigen, dass diese in bestimmten Dimensionen erst in der Nähe des 30. Behandlungstages erwartet werden kann und schlagen eine klinische Interpretation vor.

Literatur: [1] Simmich T, Robitzsch A, Alisch LM, Prognostische Relevanz krisenhafter Behandlungsepisoden für den Behandlungserfolg stationärer Psychotherapie im psychodynamischen Grundverfahren, PPMP 57(2007)2, 107 [2] Schafer, J.L. & Yucel, R.M. (2002) Computational strategies for multivariate linear mixed-effects models with missing values. Journal of the Computational and Graphical Statistics, Volume 11, Number 2, 437–457. [3] Ramsay, J. & Silverman, B. (2005) Functional data analysis. New York: Springer, 2nd Ed.