Sprungnavigation Tastaturkurzbefehle

Suche und Service

Inhalt
Icon Literatur
Icon Sammelwerksbeitrag

Dokumentart(en): Sammelwerksbeitrag Forschungsergebnis Online-Publikation
Titel der Veröffentlichung: Towards Optimized Clinical Cut-Off Scores for Mental Disorders in Rehabilitation: A Machine Learning Case Study in Depression

Vortrag auf dem 31. Rehabilitationswissenschaftlichen Kolloquium, Hybrid-Kongress, vom 7. bis 9. März 2022 in Münster

Bibliographische Angaben

Obertitel:

Rehabilitation: Neue Wege, neue Chancen

Autor/in:

Terhorst, Yannik; Ebert, David Daniel; Baumeister, Harald [u. a.]

Herausgeber/in:

Deutsche Rentenversicherung Bund (DRV Bund)

Quelle:

Berlin: Eigenverlag, 2022, Seite 45-46

Jahr:

2022

Der Text ist von:
Terhorst, Yannik; Ebert, David Daniel; Baumeister, Harald [u. a.]

Den Text gibt es seit:
2022

Ganzen Text lesen (in: Reha-Kolloquium 2022) (PDF | 5,4 MB)

Inhaltliche Angaben

Wo bekommen Sie den Text?

Deutsche Rentenversicherung
https://www.deutsche-rentenversicherung.de/DRV/DE/Experten/R...

Weitere Informationen zur Veröffentlichung

Deutsche Rentenversicherung
https://www.deutsche-rentenversicherung.de/DRV/DE/Experten/R...

Um Literatur zu beziehen, wenden Sie sich bitte an Bibliotheken, die Herausgeber, den Verlag oder an den Buch- und Zeitschriftenhandel.

Towards Optimized Clinical Cut-Off Scores for Mental Disorders in Rehabilitation: A Machine Learning Case Study in Depression

Lecture at the 31st Rehabilitation Science Colloquium, Hybrid Congress, from March 7th to 9th 2022 in Münster
Identifying and treating mental health disorders is a key challenge in rehabilitation care (Baumeister et al., 2017). Mental health self-report questionnaires and rating-scales with clinical sum score cut-offs are often used for the screening of mental disorders. Machine learning (ML) has been shown to achieve high accuracy in various predictive tasks (Dwyer et al., 2018; Yarkoni & Westfall, 2017). However, ML has not been utilized to improve the accuracy of screening instruments. The present study aims 1) to derive optimized traditional sum score cut-offs for commonly used screening instruments in rehabilitation and 2) explore the potential of ML to further improve the accuracy of these screening instruments.

Referenznummer:

R/NV1672x012

Informationsstand: 26.08.2022