Исследователи разработали алгоритм подбора психотерапевта и в эмпирическом исследовании обнаружили: у клиентов, чей специалист совпал с его рекомендацией, результаты были лучше (d = 0,48). Однако клиентов распределяли не случайным образом, поэтому преимущество нельзя приписать самому подбору. Работа опубликована в журнале Psychotherapy.
Для российской практики работа обозначает возможную основу распределения обращений: историю результатов специалистов вместе с исходными характеристиками клиентов. Это отличается от подбора только по заявленной проблеме или подходу терапевта. Но рекомендация алгоритма здесь ещё не означает, что назначение именно этого специалиста улучшит результат конкретного человека.
В основе работы — различия между результатами психотерапевтов, которые могут быть заметнее для одних клиентов, чем для других. Авторы разделили две задачи: определить специалистов с исторически лучшими результатами и установить, кому работа с ними может дать преимущество. Алгоритм не искал уникальную пару для каждого: он оценивал, кому существенен уровень результативности терапевта.
Первый автор работы — Элис Э. Койн (Alice E Coyne) с факультета психологии Американского университета. Последний автор — Дэвид Р. Краус (David R Kraus) из Outcome Referrals Inc.; сама позиция в списке авторов не устанавливает его роль руководителя. Всего у статьи пять авторов. Финансирование предоставил Patient-Centered Outcomes Research Institute — Институт исследований исходов, ориентированных на пациента.
В исследование вошли 2160 взрослых, проходивших терапию у 72 специалистов. Данные первой волны клиентов использовали для оценки терапевтов по среднему улучшению и доле клиентов с надёжным улучшением. К высокорезультативным относили верхнюю треть по обоим критериям; в другую группу попадали специалисты из средней или нижней трети хотя бы по одному из них.
На второй волне машинное обучение предсказывало, какие клиенты получат лучший результат у высокорезультативного специалиста, а какие — сопоставимый у любого терапевта. Так получили персонализированный индекс соответствия терапевта. Третья волна служила для проверки устойчивости алгоритма и сравнения результатов при совпадении фактического назначения с рекомендацией и без него.
Уровень результативности терапевтов и персонализированный индекс оказались умеренно устойчивыми и, по оценке авторов, надёжно оценивались на обучающих и отложенных для проверки данных. При совпадении назначения с рекомендацией результаты были лучше: стандартизированная разница составила d = 0,48. Это величина различия между группами, а не доля клиентов, которым алгоритм помог.
Проверка на следующей волне не устраняет смешение факторов: на назначение терапевта и результат могли одновременно влиять особенности клиентов и условий помощи. Умеренная устойчивость также не означает неизменности рекомендаций. Работа не устанавливает, сохранится ли преимущество при автоматическом распределении обращений или переносе модели в российскую систему помощи.