本研究是一项研究项目的一部分，该项目已获得HUS赫尔辛基大学医院伦理委员会使用数据的许可(批准号HUS/1861/2020)。

表1介绍我们数据的描述特征。经过数据预处理，最终LDA建模语料库由11897条担忧日记组成。在多层建模样本中，每位患者的日记条目数量在0到97之间变化。日记内容为0的患者平均年龄更小，完成治疗的次数更少，完成所有治疗的可能性更小，而且更有可能是男性。

我们选择7个作为数据驱动模型的最佳主题数量，使用贝叶斯方法进行主题数量选择( 多媒体附件1，图S3和表S1)。对于基于可解释性的模型，我们选择25个作为主题的最佳数量。有关完整LDA模型的描述，请参见 多媒体附件1．

患者之间的症状轨迹存在异质性，模型1与模型0相比具有更好的随机斜率拟合(仅随机截距;χ²₂= 760.17; P<措施)。因此，选择模型1作为附加相关项的基础模型。在模型1中，会话次数与焦虑症状之间存在显著相关性(B= -0.14;95% CI -0.15至-0.13)。也就是说，GAD-7评分在每个治疗阶段平均下降0.14个标准差。患者症状轨迹之间的变异性很大，随机斜率标准差为0.1。

在模型2中，忧虑日记的总数具有显著的治疗-反应调节效应(B=0.001;95%置信区间0.000至0.002;对于按条目会话交互)。效应大小是适度的:在总条目数量中增加1个条目，与焦虑的平均下降速度慢0.001标准偏差相关。在模型3中，只有在治疗后期阶段写下的条目数量仍然是显著的治疗-反应调节因子(任务分配担心延迟和问题解决; 表2)．在第一个任务分配中，大量的条目平均与更严重的基线焦虑相关，这反映在条目1对焦虑的基线效应( 表2)．

两个LDA模型都包含2个调节治疗反应的主题。有关这些主题的描述，请参见 表3．

在这项研究中，我们使用主题建模来分析来自广泛性焦虑症iCBT治疗期间撰写的担忧日记的文本数据。治疗结束时较高的忧虑日记书写活动与较差的治疗反应弱相关，定义为每个疗程症状变化较慢。我们的主题模型成功地从iCBT文本中提取了有意义的主题，其中一些主题以可解释的方式与治疗反应相关。这与之前的心理治疗主题建模研究一致[ 13， 18］．我们的结果通过演示主题建模适用于特定于iCBT任务的数据，扩展了之前的工作。

两个LDA模型都包含一个主题，反映了对他人的担忧，并且与症状比平均水平更快的减轻有关。对于数据驱动的模型，这个主题被标记为“家庭、宠物和爱人的幸福”，基于代表该主题的条目内容。在基于可解释性的模型中，这个主题被标记为“孩子，家庭问题”，因为它更狭隘地关注与亲密家庭有关的担忧。反思性自我关注与抑郁、焦虑和消极情绪有关。 29- 31］．因此，担心他人，而不仅仅是反思与自己有关的问题，可以反映出对周围世界的健康关注。然而，对家庭成员或其他重要人物的担忧也可能表明患者生活中存在重要关系，而患有社会隔离的患者不太可能写这些话题。因此，我们的发现也与社会支持与更好的治疗成功相关联的研究相一致，而孤独和缺乏社会支持与更糟糕的结果相关[ 32， 33］．

数据驱动的模型包含了另一个调节治疗反应的主题，标记为“思想和担忧的监测”，这与较差的治疗反应有关。代表这一主题的条目通常是对患者反复关注担忧的描述，表现为反刍性自我关注的表现[ 30.］．因此，我们的发现与最近一项荟萃分析的结果一致，该分析报告了治疗后焦虑的严重程度与以沉思或持续担忧的形式出现的更高水平的重复性消极思维有关[ 34］．

然而，在控制了整体写作活动后，上述与思想监控相关的调节效应不再显著。忧虑日记的总数越多，症状减轻的速度就越慢，这可以通过治疗后期的写作活动来解释。这表明，“监测思想和担忧”主题的出现可能与持续到治疗后期的高水平写作活动有关。换句话说，晚期高度活跃的作者似乎包括一组患者，他们没有从治疗中获得最佳收益，但表现出持续的担忧监控行为。这可能部分解释了较高的写作活动和较差的治疗反应之间的反直觉联系。

除了可能表明持续的焦虑，高写作活动与“思想监控”主题的联系也可能与任务相关的问题有关。例如，一些患者可能很难坚持推迟忧虑任务，这可能会导致许多沉思条目，而条目的数量应该是有限的。对于一些患者来说，在治疗开始时使用忧虑日记也有可能导致对忧虑的关注增加，从而导致沉思的恶性循环。无论如何，我们的研究结果表明，患者写的内容可能比他们写的多少更有意义，这支持了这样一种观点，即在评估家庭作业-结果关系时，心理治疗家庭作业完成的质量是有意义的。 35］．此外，我们的研究结果表明，与单独使用其中任何一种相比，将主题建模与其他相关因素(如写作活动)一起使用可以更广泛地了解治疗效果调节因素。

基于解释的模型还包含另一个主题，调节治疗反应，称为“互联网疗法”。这与较差的治疗反应有关。这个话题通常与对治疗的抱怨或对治疗的帮助性的担忧有关。我们的发现与Atzil-Slonim等人的发现一致[ 13]，他们报告说，与治疗相关的话题与联盟破裂和更糟糕的治疗结果有关。由于这些投诉可以很容易地从iCBT文本中识别，我们的发现可能在识别患者方面具有应用价值，这些患者在恢复方面没有走上正轨，可能需要额外的支持[ 36］．

在定义主题模型时，我们特别关注于通过采用带有贝叶斯方法的数据驱动选择方法来定义无偏倚的主题数量[ 19］．得到的数据驱动模型由7个主题组成。相比之下，我们额外的基于可解释性的模型和使用启发式方法选择的主题数量由25个主题组成。基于我们对表示模型主题的担忧日记文本的定性检查，基于可解释性的模型中的主题似乎更容易从文本中识别，并且比来自数据驱动模型的主题在语义上更一致。基于可解释性的模型还包括更多样化的主题范围，为日记文本中出现的内容提供了更广阔的视角。

然而，我们基于可解释性的模型也包含了一些特殊的主题，这些主题强烈地反映了一个或少数患者的写作( 多媒体附件1，表S4和表S5)。由于主题模型本质上是描述性的，特殊主题本身并不构成问题。有人认为，在主题模型中允许一些特殊的主题，有助于将有意义或有代表性的主题与数据中的“噪音”分开[ 13］．然而，如果主题模型被认为代表更广泛的患者群体，特殊的主题可能会产生误导。此外，在将主题与治疗结果联系起来时，需要考虑到这些特质。总之，在我们的数据中，两种选择主题号的方法都没有明显的改善;相反，两者都有应该考虑的优点和缺点。然而，我们在两种截然不同的表现中观察到一些强有力的治疗反应相关性。

我们研究的优势包括我们数据的性质，这些数据来自作为国家公共卫生保健的一部分而提供的iCBT的自然主义和全国性设置。因此，我们的数据可能构成了目标患者群体的代表性样本。就个体患者而言，我们的数据集也相当大，与之前使用主题建模预测100例以下患者样本结果的研究相比，提高了我们结果的泛化性[ 13， 18］．我们在主题建模中使用的文本语料库由一个任务表上的条目组成，该任务表旨在编写担忧。例如，与整个心理治疗过程的数据相比，这种类型的数据提供了精确的信息。

尽管与之前的研究相比，我们的样本量很大，但对于机器学习来说，它仍然是一个相当中等大小的数据集。在主题建模方面，与之前Atzil-Slonim等人的研究相比，我们的研究中每个患者产生的文本量较少[ 13使用整个治疗记录。此外，必须指出的是，因果关系的方向不能从我们的模型中确定。例如，某些主题与症状变化的关联可能是由于写作该主题的有用性，或者它可能反映了患者的功能。

如前所述，主题数选择方法对主题模型估计有影响。未来的iCBT主题建模研究应注意这些对主题质量和概括性的影响及其与治疗结果的关系。此外，我们的研究表明，当使用广泛性焦虑症iCBT中的担忧日记文本时，主题建模是实用的和有信息的。在未来，主题建模可以用于不同疾病特异性或跨诊断iCBT项目的研究。主题建模也可以提供一种方法来检查和比较不同治疗方案内或跨不同的基于文本的任务的相对重要性和意义，这可以在治疗发展方面提供有价值的信息。

本研究表明，主题建模是一种适合于iCBT数据的实用研究方法。我们从广泛性焦虑症iCBT的单一重复担忧日记任务中发现了与治疗结果相关的主题。写下对与患者关系密切的人的担忧与更好的治疗反应有关。相比之下，监测对治疗的担忧和担忧与较差的治疗反应相关。这种类型的内容信息具有潜在的实际意义，例如让临床医生了解患者写作行为中有意义的模式。这些主题也使其他研究变量，如患者的写作活动，更具解释性。