Zkouška online skupinové psychoterapeutické intervence pro běžné poruchy duševního zdraví (UpLift-X)

Protokol studie – včetně úplného plánu statistické analýzy byl předběžně zaregistrován a zpřístupněn veřejnosti v rámci Open Science Framework dne 4. října 2024 (k dispozici zde – https://osf.io/vup9c/).

Pragmatická, vícemístná, klastrově faktoriální randomizovaná kontrolovaná studie, zahrnující služby Talking Therapes (NHS-TT) Národní zdravotní služby (NHS) pro úzkost a depresi (dříve známé jako služby IAPT) v Anglii. Digitálně aktivovaná skupinová intervence „UPLift“, založená na jednotném protokolu, bude k dispozici pacientům s běžnými duševními poruchami (a komorbiditami), kteří jsou způsobilí pro vysoce intenzivní kognitivně behaviorální terapii (CBT) ve službách NHS-TT podle národních pokynů. (Národní spolupracující centrum pro duševní zdraví, 2024). Sjednocený protokol je transdiagnostická léčba, která byla navržena tak, aby byla relevantní pro širokou škálu emočních poruch, vzhledem k běžnému současnému výskytu deprese, úzkosti, somatoformních a disociativních symptomů. Je založen na CBT a teoriích regulace emocí a jeho cílem je podporovat pacienty, aby uplatňovali řadu dovedností v oblasti regulace emocí, které se zaměřují na základní společné zranitelnosti, které jsou základem řady problémů duševního zdraví: neuroticismus, nízká vnímaná kontrola a přeceňování ohrožení. Protokol se řídí principem šetrnosti tím, že zahrnuje minimální počet empiricky ověřených technik, které by jej učinily dostupným, nekomplikovaným a účinným pro maximální počet pacientů s různými kombinacemi symptomů a problémů. Obsah je uspořádán do 8 modulů poskytovaných online ve 12 týdenních 1,5hodinových relacích a bude zahrnovat kombinaci internetových zdrojů (sebemonitorovací dotazníky, psychoedukační videa, dovednosti spojené s každým modulem) a skupinové terapeutické sezení poskytované kvalifikovaným kognitivně behaviorálním terapeut.

Jednotkou randomizace (cluster) bude každá zúčastněná služba NHS-TT. Trusty NHS jsou širší organizace, které spravují jednu nebo více služeb NHS-TT, takže jednotkou randomizace je místní tým. Všichni pacienti léčení ve stejné místní službě budou členy stejného klastru. Zúčastněné služby budou náhodně rozděleny do jedné z 5 zbraní. Každá větev bude zahrnovat stejnou 12 relační online skupinovou léčbu Unified Protocol, ale organizovanou v jiném pořadí. První dva moduly zůstanou fixní na začátku intervence, protože tato úvodní sezení jsou nezbytná k orientaci všech pacientů na léčbu a k vytvoření soudržného skupinového procesu. Podobně je na konci intervence stanoven závěrečný modul, protože zahrnuje celkový přehled všech copingových dovedností a zaměřuje se na prevenci relapsu. Střední moduly pokrývají specifické dovednosti regulace emocí a jsou nejvíce přístupné personalizaci (např. některé mohou být více či méně účinné pro konkrétní pacienty). Tyto normativní moduly budou dodávány v různých sekvencích pro každé ze zkušebních ramen.

Účastníci dokončí základní měření při vstupu do studie, týdenní měření výsledku symptomů před každým sezením a po léčbě (sezení 12) a 6měsíčním následném průzkumu. Primárním výstupem bude negativní afektivita (NA) na základě složeného skóre sdružujícího položky z dotazníku o zdraví pacienta-9 (PHQ-9; deprese), škály generalizované úzkostné poruchy-7 (GAD-7; úzkost) a pracovního a sociálního přizpůsobení Měřítko (WSAS; funkční). Sekundárními výstupy budou kvalita života (EuroQol – 5 dimenzí; EQ5D), pohoda (Warwick a Edinburghská škála duševní pohody; WEMWBS) a ukončení léčby.

Výzkumníci budou také shromažďovat anonymizované klinické zdravotní záznamy pro všechny pacienty, kteří mají přístup k individuálně dodávané CBT v účastnících se službách během období klinického hodnocení. Tato data budou zahrnovat demografické údaje, klinickou péči a klinické výsledky. To umožní výzkumníkům provádět srovnání klinické a nákladové efektivity pomocí strategie porovnávání případu a kontroly popsané v plánu statistické analýzy.

Plán statistické analýzy bude proveden ve třech fázích spojených s každým z cílů studie.

Cíl 1: Porovnat výsledky různých sekvencí modulu UP Toto bude primární analýza, na které je založen výpočet velikosti vzorku. Případy s chybějícími datovými body po léčbě (12. sezení) v závislé proměnné budou imputovány pomocí balíčku MissForest R s použitím všech výchozích proměnných jako prediktorů. Imputace budou provedeny samostatně pro každou zkušební větev. Analýza bude aplikovat lineární víceúrovňový model (smíšené efekty), kde budou pacienti vnořeni do skupin a zadají náhodný efekt na úrovni skupiny. Závislou proměnnou bude skóre negativní afektivity (NA) po léčbě, které vstoupí do zkušebního ramene jako nezávislá proměnná, která kontroluje výchozí NA. Modely budou vyvíjeny v sekvenčních krocích a po každém kroku modelování budou zkoumány indexy přizpůsobení modelu (AIC, BIC, -2LL). Výzkumníci si ponechají a interpretují nejlépe padnoucí a nejšetrnější model dosažený tímto postupným procesem s použitím testu poměru logaritmické pravděpodobnosti -2 k porovnání modelů. Vnitroklastrový korelační koeficient (ICC) bude uveden jako index variability ve výsledcích léčby, který lze připsat na úrovni skupiny. Velikosti efektů mezi skupinami (Cohenovo d) budou vypočítány a uvedeny pro každý kontrast (např. standardní UP sekvence vs. jiné sekvence).

Sekundární analýza: Výše ​​uvedený plán analýzy bude opakován s použitím logistického víceúrovňového modelu s odpadnutím jako závislou proměnnou. Proměnná dropout bude odvozena ze záznamů docházky na skupinovou terapii, kde případy, které se zúčastnily více než poloviny (≥6) sezení, budou seskupeny do referenční kategorie (kód = 0) a případy, které navštívily méně než polovinu (≤5), budou klasifikovány jako případy, které vypadly (kód = 1).

Cíl 2: vyvinout personalizovanou metodu výběru modulu Případy s chybějícími datovými body v závislé proměnné budou imputovány pomocí balíčku MissForest R s použitím všech výchozích proměnných jako prediktorů, se samostatnými imputacemi v tréninkových/validačních oddílech a v rámci každé zkušební větve. Spolehlivé zlepšení (RI) se týká snížení závažnosti symptomů mezi dvěma časovými body, které je větší než index spolehlivé změny pro psychometrické měření. Podle této definice budou vyšetřovatelé třídit případy pomocí binární proměnné označující, zda došlo (kód = 1) nebo nedošlo (kód = 0) ke spolehlivému zlepšení po vystavení normativnímu modulu jednotného protokolu. Toto kódování nám umožní identifikovat případy, u kterých dochází ke spolehlivým symptomatickým zlepšením po expozici každému z cílových modulů, bez ohledu na to, kde se modul nachází (např. na začátku, uprostřed nebo na konci intervence) v rámci skupinové intervence, ve které byly provedeny. přiděleno. Tato metodika umožní výzkumníkům kontrolovat sekvenování a účinky včasné reakce, identifikovat profil pacientů, kteří mají příznivou odezvu na každý konkrétní modul.

Rozdělení vzorků: Celý zkušební vzorek bude náhodně rozdělen do tréninkových a validačních podmnožin pomocí rozdělení 60:40, s vyváženým počtem z každého z 5 zkušebních ramen v každém rozdělení tréninku a rozdělení. To zajistí, že do tréninkového oddílu bude náhodně vybráno 396 případů, které překročí minimální velikost vzorku 300 nezbytnou pro trénování spolehlivého modelu klinické predikce pomocí kontrolovaného strojového učení.

Vývoj a optimalizace modelu (v tréninkové části): Výzkumníci vytvoří celkem 5 predikčních modelů strojového učení, jeden pro každý normativní modul UP. Každý trénovaný model zpracuje vstupy (základní rysy pacientů) a vydá [a] předpokládanou klasifikaci a [b] odpovídající předpokládanou pravděpodobnost týkající se klasifikace. Logika těchto algoritmů spočívá v zodpovězení následující otázky: Vzhledem k těmto charakteristikám pacienta, jaká je pravděpodobnost, že tento konkrétní pacient zaznamená spolehlivé zlepšení po přístupu k modulu X? Strategie křížové validace (ve validačním vzorku): Statistická přesnost a klinická užitečnost modelů strojového učení bude vyhodnocena ve strategii validace porovnáním předpovědí algoritmu s pozorovanými výsledky a porovnáním výsledků u pacientů, kteří dostali svůj optimální modul jako první. pacientům, kteří tak neučinili.

Sekundární analýza: Výše ​​uvedená analýza strojového učení a strategie křížové validace budou zopakovány, aby se natrénoval binární klasifikátor s výpadkem jako závislou proměnnou. Proměnná dropout bude odvozena ze záznamů docházky na skupinovou terapii, kde případy, které se zúčastnily více než poloviny (≥6) sezení, budou seskupeny do referenční kategorie (kód = 0) a případy, které navštívily méně než polovinu (≤5), budou klasifikovány jako případy, které vypadly (kód = 1).

Cíl 3: vyhodnotit účinnost digitálně aktivované skupinové terapie UP vs. individuální CBT Tato analýza bude zahrnovat [a] podskupinu účastníků klinické studie, kteří byli náhodně přiřazeni do ramene, kde byl protokol UP aplikován ve standardní sekvenci, a [b ] odpovídající vzorek pacientů, kteří využili individuální vysoce intenzivní CBT v účastnících se službách NHS-TT. Údaje pro jednotlivé případy CBT budou odebrány z elektronických zdravotních záznamů. Případy CBT, které splňují uvedená kritéria pro zařazení do studie, budou vybrány pro tuto analýzu, včetně případů, kdy je primární problém identifikovatelný v klinických záznamech a kde jsou při prvním výskytu k dispozici základní skóre závažnosti (PHQ-9, GAD-7, WSAS). zúčastnila CBT zasedání. Případy s chybějícími datovými body po léčbě (poslední navštívená relace) v závislé proměnné budou imputovány pomocí balíčku MissForest R s použitím všech kovariát jako prediktorů. Imputace budou prováděny samostatně pro každou skupinu (individuální KBT; standardní skupinová terapie UP). Klinické výsledky po léčbě (NA skóre) budou porovnány mezi případy využívajícími standardní skupinový protokol UP oproti jednotlivým případům CBT pomocí dvojitě robustního odhadu, který kombinuje úpravu pro nenáhodné přidělování k léčbě a testovaný regresní model upravený pro kovariáty. kauzální účinek expozice zásahu.

Sekundární analýzy: Výše ​​uvedená analýza bude opakována pro porovnání výsledků pomocí měření specifických pro poruchu (PHQ-9, GAD-7, ADSM) pro případy s relevantními diagnózami. Velikosti účinků mezi skupinami (Cohenovo d) budou vypočítány a uvedeny pro každé srovnání.

Zdravotně ekonomická analýza: Ekonomická analýza bude provedena z pohledu NHS a osobních sociálních služeb. Analýza nákladů a užitných vlastností bude používat jako měřítko kvality života roky života upravené podle kvality (QALY odvozené z dotazníku EQ-5D a tarif založený na sadě veřejných hodnot ve Spojeném království) s použitím post-léčby (sezení poslední návštěvy) údaje na stupnici NA v primární analýze a údaje z 3měsíčního sledování v sekundární analýze. Využití zdrojů zdravotních a sociálních služeb bude oceněno pomocí referenčních nákladů NHS a databáze využití zdrojů osobních a sociálních služeb (PSSRU). Vyšetřovatelé odhadnou poměr přírůstkové nákladové efektivity pro skupinovou terapii oproti individuální CBT pomocí bootstrappingu k odhadu intervalů spolehlivosti. Nejistota rozhodnutí bude prezentována na křivce přijatelnosti nákladové efektivity. Budou provedeny další analýzy citlivosti pro využití zdrojů a jednotkové náklady. Analýza citlivosti bude kontrolovat základní náklady. Analýzy scénářů prozkoumají alternativní perspektivy kalkulace nákladů; tedy perspektivy NHS a NHS/PSS. Výsledky analýzy efektivnosti nákladů budou vykazovány v souladu s konsolidovanými standardy výkaznictví pro rok 2022.