11/07/2026
הגרסה האנגלית מופיעה לאחר הטקסט בעברית / The English version follows the Hebrew text.
אני שמח לשתף שמאמר חדש שלנו, שעליו עבדתי בשיתוף עם ד"ר אברהם פרידלנדר, ד"ר דנה סיני, פרופ' פסח ליכטנברג, פרופ' מרק וייזר, ד"ר אסף כספי, דנה אלברג ופרופ' דנה צור ביתן, התפרסם כעת בכתב העת Journal of Mental Health.
מה בדקנו?
האם מי שמתחיל במצב חמור יותר נהנה מיותר "מקום להשתפר", או שמא מחכה לו דרך קשה ומורכבת יותר? בספרות המקצועית ישנם ממצאים מעורבים התומכים בכל אחד מהכיוונים. אנחנו שיערנו שהתשובה תלויה באופן המדידה: האם בוחנים משתנה בודד ומבודד, או שמסתכלים על התמונה הקלינית הרחבה כמכלול.
איך בדקנו?
רוב מחקרי ההחלמה נוטים לבדוק מדד אחד בלבד. במחקר הנוכחי בחרנו בגישה אחרת: בעזרת למידת מכונה (KML3D), חילקנו 169 מבוגרים באשפוז פסיכיאטרי אקוטי לקבוצות, על פי דפוס השינוי המשותף שלהם בחמישה מדדים במקביל – סימפטומים, תפקוד ואיכות חיים.
מה מצאנו?
עלו שני פרופילים ברורים ועקביים לאורך כל חמשת המדדים:
קבוצת "אתגרים מתמשכים" (54%): התחילו עם פגיעה חמורה יותר והשתפרו בקצב איטי יותר.
קבוצת "החלמה מואצת" (46%): התחילו במצב קל יותר והשתפרו במהירות.
והנקודה המעניינת ביותר:
בספרות המקצועית הממצאים כאמור מעורבים, אך מחקרים רבים שבדקו מדד בודד מצאו לרוב שחומרה גבוהה יותר בנקודת הבסיס ניבאה שיפור גדול יותר באותו מדד ספציפי. המודל הרב-משתני (Multivariate) שלנו מציע זווית אחרת ליישוב הסתירה: כשמסתכלים על כל התחומים יחד, חומרה גבוהה בהתחלה ניבאה מסלול החלמה קשה ומאתגר יותר, ולא "ריבאונד" משמעותי יותר.
הקשר לחלופות אשפוז:
בשלב הבא הרצנו מודל למידת מכונה נוסף (Random Forest) כדי לבדוק האם סוג מסגרת הטיפול או מאפיינים אחרים מנבאים את מסלול ההחלמה. התשובה הייתה שלילית. לא משנה אם הטיפול ניתן באשפוז במחלקה, בבית סוטריה או בטיפול בית אינטנסיבי – מסגרת הטיפול לא ניבאה לאיזו קבוצה ישתייך המטופל. חומרת המצב בכניסה היא זו שניבאה את המסלול. זהו ממצא משמעותי התומך ביעילותן של חלופות האשפוז.
👇 קישור לגישה חופשית למאמר (ל-50 הקליקים הראשונים) מחכה בתגובה הראשונה.
(English version below ↓)
Happy to share that a new paper I co-authored alongside Dr. Avraham Freidlander, Dr. Dana Sinai, Prof. Pesach Lichtenberg, Prof. Mark Weiser, Dr. Asaf Caspi, Dana Elberg, and Prof. Dana Tzur Bitan, has just been published in the Journal of Mental Health.
What did we look at?
Does starting off with higher clinical severity mean having more "room to improve," or does it predict a harder road ahead? The existing literature is mixed, and our study adds an important twist: it highly depends on whether you look at a single variable at a time, or evaluate the whole clinical picture together.
Methodology
Most recovery research tracks a single outcome. We took a different approach: using machine learning (KML3D), we clustered 169 adults in acute psychiatric care based on their joint pattern of change across five measures simultaneously, capturing symptoms, functioning, and quality of life together.
Key Findings
Two clear, highly consistent profiles emerged across all five measures:
"Persistent Challenges" (54%): Patients who were more impaired at baseline and showed slower gains.
"Accelerated Recovery" (46%): Patients who started with milder symptoms and improved rapidly.
The interesting part:
While the existing literature is mixed, prior studies tracking a single symptom scale often found that higher initial severity predicted greater subsequent improvement on that specific measure. Our multivariate approach offers a way to reconcile these mixed findings: looking at all domains together reveals that higher baseline severity across domains actually predicts a harder path overall, rather than a bigger rebound.
Implications for Alternatives to Hospitalization
We also ran a second machine-learning model (Random Forest) to test whether the treatment setting or other baseline traits predicted these trajectories. They barely did. Whether the care was provided in a traditional hospital ward, a Soteria home, or via intensive home care, the setting did not predict group membership. Baseline severity did—a meaningful piece of evidence supporting the clinical viability of hospitalization alternatives.
👇 A link for free access to the article (limited to the first 50 clicks) is available in the first comment below.
