Afprøvning af en online gruppepsykoterapiintervention for almindelige psykiske lidelser (UpLift-X)

Undersøgelsesprotokollen - inklusive en fuldstændig statistisk analyseplan blev præregistreret og gjort offentligt tilgængelig i Open Science Framework den 4. oktober 2024 (tilgængelig her - https://osf.io/vup9c/).

Et pragmatisk, multi-site, cluster factorial randomiseret kontrolleret forsøg, der involverer National Health Service (NHS) Talking Therapies (NHS-TT) tjenester til angst og depression (tidligere kendt som IAPT-tjenester) i England. Den "UPLift" digitalt aktiverede gruppeintervention, baseret på den forenede protokol, vil være tilgængelig for patienter med almindelige psykiske lidelser (og komorbiditeter), som er kvalificerede til at modtage kognitiv adfærdsterapi med høj intensitet (CBT) i NHS-TT-tjenester, efter nationale retningslinjer (Nationalt Samarbejdscenter for Mental Sundhed, 2024). Den forenede protokol er en transdiagnostisk behandling, der er designet til at være relevant for en bred vifte af følelsesmæssige lidelser i betragtning af den almindelige samtidige forekomst af depression, angst, somatoforme og dissociative symptomer. Den er baseret på CBT- og følelsesreguleringsteorier og har til formål at støtte patienter til at anvende en række følelsesreguleringsfærdigheder, der retter sig mod de centrale fælles sårbarheder, der ligger til grund for en række psykiske problemer: neuroticisme, lav opfattet kontrol og overvurdering af trussel. Protokollen følger princippet om sparsommelighed, ved at inkludere det mindste antal empirisk validerede teknikker, der ville gøre den tilgængelig, ukompliceret og effektiv for det maksimale antal patienter med forskellige kombinationer af symptomer og problemer. Indholdet er organiseret på tværs af 8 moduler leveret online på 12 ugentlige 1,5 times sessioner og vil omfatte en kombination af internetbaserede ressourcer (selvmonitorerende spørgeskemaer, psykoedukative videoer, færdighedspraksis knyttet til hvert modul) og gruppeterapisessioner leveret af en kvalificeret kognitiv adfærdsekspert. terapeut.

Enheden for randomisering (klynge) vil være hver deltagende NHS-TT-tjeneste. NHS Trusts er bredere organisationer, der administrerer en eller flere NHS-TT-tjenester, så randomiseringsenheden er det lokale team. Alle patienter, der behandles i samme lokalområde, vil være medlemmer af samme klynge. Deltagende tjenester vil blive tilfældigt allokeret til en af ​​5 arme. Hver arm vil omfatte den samme 12-sessions online gruppe Unified Protocol behandling, men organiseret i en anden rækkefølge. De to første moduler vil forblive faste ved starten af ​​interventionen, da disse introduktionssessioner er nødvendige for at orientere alle patienter til behandlingen og for at etablere et sammenhængende gruppeforløb. Tilsvarende er det afsluttende modul fastlagt i slutningen af ​​interventionen, da det omfatter en samlet gennemgang af alle mestringsevner, og det fokuserer på tilbagefaldsforebyggelse. De midterste moduler dækker specifikke følelsesreguleringsfærdigheder og er mest modtagelige for personalisering (f.eks. kan nogle være mere eller mindre effektive for specifikke patienter). Disse præskriptive moduler vil blive leveret i forskellige sekvenser på tværs af hver af forsøgsarmene.

Deltagerne vil gennemføre baseline-målinger ved indtræden i undersøgelsen, ugentlige symptomresultatmålinger forud for hver session og en efterbehandling (session 12) og 6-måneders opfølgningsundersøgelse. Det primære resultat vil være negativ affektivitet (NA), baseret på en sammensat score, der samler elementer fra Patient Health Questionnaire-9 (PHQ-9; depression), Generalized Anxiety Disorder-7 skala (GAD-7; angst) og Arbejde og social tilpasning Skala (WSAS; funktionsdygtighed). Sekundære resultater vil være livskvalitet (EuroQol - 5 dimensioner; EQ5D), velvære (Warwick og Edinburgh Mental Wellbeing Scale; WEMWBS) og frafald fra behandling.

Forskere vil også indsamle anonymiserede kliniske helbredsjournaler for alle patienter, der har adgang til individuelt leveret CBT i de deltagende tjenester i løbet af det kliniske forsøg. Disse data vil omfatte demografi, klinisk pleje og kliniske resultater. Dette vil gøre det muligt for forskere at foretage sammenligninger af klinisk og omkostningseffektivitet ved hjælp af en case-control matching-strategi beskrevet i den statistiske analyseplan.

Den statistiske analyseplan vil blive udført i tre faser knyttet til hvert af undersøgelsens mål.

Mål 1: Sammenlign resultater af forskellige UP-modulsekvenser. Dette vil være den primære analyse, baseret på hvilken stikprøvestørrelsesberegningen er baseret. Sager med manglende efterbehandling (12. session) datapunkter i den afhængige variabel vil blive imputeret ved hjælp af MissForest R-pakken ved at bruge alle baseline-variabler som prædiktorer. Imputering vil blive udført separat for hver forsøgsarm. Analysen vil anvende en lineær multilevel (mixed effects) model, hvor patienter vil blive indlejret i grupper, og indtaste en tilfældig effekt for gruppe-niveau. Den afhængige variabel vil være NA-scoren (Negativ Affektivitet efter behandling), der går ind i forsøgsarmen som en uafhængig variabel, der kontrollerer for baseline NA. Modeller vil blive udviklet i sekventielle trin, og modeltilpasningsindekser (AIC, BIC, -2LL) vil blive undersøgt efter hvert modelleringstrin. Forskere vil beholde og fortolke den bedst passende og mest sparsommelige model opnået gennem denne trinvise proces ved at bruge -2 loglikelihood-forholdstesten til at sammenligne modeller. Intra-cluster korrelationskoefficienten (ICC) vil blive rapporteret som et indeks for variabilitet i behandlingsresultater, der kan henføres til gruppeniveau. Effektstørrelser mellem grupper (Cohens d) vil blive beregnet og rapporteret for hver kontrast (f.eks. standard UP-sekvens vs. andre sekvenser).

Sekundær analyse: Ovenstående analyseplan vil blive gentaget ved hjælp af en logistisk multilevel model med dropout som den afhængige variabel. Frafaldsvariablen vil blive afledt fra gruppeterapi tilstedeværelsesregistre, hvor tilfælde, der deltog i mere end halvdelen (≥6) sessioner, vil blive grupperet i referencekategorien (kode = 0), og tilfælde, der deltog under halvdelen (≤5) vil blive klassificeret som tilfælde, der faldt fra (kode = 1).

Mål 2: udvikle en personlig moduludvælgelsesmetode. Tilfælde med manglende datapunkter i den afhængige variabel vil blive imputeret ved hjælp af MissForest R-pakken ved at bruge alle baseline-variabler som prædiktorer, med separate imputationer i trænings-/valideringspartitionerne og inden for hver forsøgsarm. Pålidelig forbedring (RI) refererer til en reduktion i symptomsværhedsgrad mellem to tidspunkter, som er større i størrelsesordenen end det pålidelige ændringsindeks for det psykometriske mål. Efter denne definition vil efterforskerne klassificere sager ved hjælp af en binær variabel, der angiver, om de havde (kode = 1) eller ikke (kode = 0) en pålidelig forbedring efter eksponering for et præskriptivt Unified Protocol-modul. Denne kodning vil gøre os i stand til at identificere tilfælde, der oplever pålidelige symptomatiske forbedringer efter eksponering for hvert af målmodulerne, uanset hvor modulet er placeret (f.eks. mod starten, midten eller slutningen af ​​interventionen) i den gruppeintervention, de har været tildelt til. Denne metodologi vil gøre det muligt for forskere at kontrollere for sekventering og tidlige responseffekter for at identificere profilen af ​​patienter, der har en gunstig respons på hvert specifikt modul.

Prøveopdeling: Den fulde prøveprøve vil blive tilfældigt opdelt i trænings- og valideringsundersæt ved hjælp af en 60:40-deling, med et balanceret antal fra hver af de 5 forsøgsarme i hver opdeling af træningspartition. Dette vil sikre, at 396 tilfælde vil blive tilfældigt udvalgt i træningspartitionen, hvilket overstiger den mindste stikprøvestørrelse på 300, der er nødvendig for at træne en pålidelig klinisk forudsigelsesmodel ved hjælp af overvåget maskinlæring.

Modeludvikling og optimering (i træningspartitionen): Forskere vil producere i alt 5 maskinlæringsforudsigelsesmodeller, en for hvert præskriptivt UP-modul. Hver trænet model vil behandle input (patienters basislinjetræk) og vil udsende [a] en forudsagt klassifikation og [b] en tilsvarende forudsagt sandsynlighed vedrørende klassificeringen. Logikken i disse algoritmer er at besvare følgende spørgsmål: Givet disse patientkarakteristika, hvor sandsynligt er det, at denne specifikke patient vil opleve pålidelige forbedringer efter adgang til modul X? Krydsvalideringsstrategi (i valideringsprøven): Den statistiske nøjagtighed og kliniske anvendelighed af maskinlæringsmodellerne vil blive evalueret i valideringsstrategien ved at sammenligne algoritmeforudsigelserne med de observerede resultater og sammenligne resultater for patienter, der modtog deres optimale modul først sammenlignet til patienter, der ikke gjorde det.

Sekundær analyse: Ovenstående maskinlæringsanalyse og krydsvalideringsstrategi vil blive gentaget for at træne en binær klassifikator med dropout som den afhængige variabel. Frafaldsvariablen vil blive afledt fra gruppeterapi tilstedeværelsesregistre, hvor tilfælde, der deltog i mere end halvdelen (≥6) sessioner, vil blive grupperet i referencekategorien (kode = 0), og tilfælde, der deltog under halvdelen (≤5) vil blive klassificeret som tilfælde, der faldt fra (kode = 1).

Mål 3: evaluere effektiviteten af ​​digitalt aktiveret UP-gruppeterapi vs. individuel CBT. Denne analyse vil omfatte [a] en undergruppe af kliniske forsøgsdeltagere, som blev tilfældigt tildelt den arm, hvor UP-protokollen blev leveret i standardsekvensen, og [b ] en matchet prøve af patienter, der fik adgang til individuel højintensitets-CBT i de deltagende NHS-TT-tjenester. Data for de enkelte CBT-tilfælde vil blive udtaget af elektroniske journaler. CBT-tilfælde, der opfylder de anførte forsøgs-inklusionskriterier, vil blive udvalgt til denne analyse, kun inklusiv tilfælde, hvor det primære problem kan identificeres i kliniske journaler, og hvor baseline-sværhedsgradsscore (PHQ-9, GAD-7, WSAS) er tilgængelige ved deres første deltog i CBT session. Tilfælde med manglende efterbehandling (sidst deltaget session) datapunkter i den afhængige variabel vil blive imputeret ved hjælp af MissForest R-pakken ved at bruge alle kovariater som prædiktorer. Imputationer vil blive udført separat for hver gruppe (individuel CBT; standard UP gruppeterapi). Kliniske resultater efter behandling (NA-score) vil blive sammenlignet mellem tilfælde, der har adgang til standardgruppens UP-protokol versus individuelle CBT-tilfælde ved hjælp af dobbelt robust estimering, som kombinerer en justering for ikke-tilfældig allokering til behandlinger, og en kovariatjusteret regressionsmodel til test årsagsvirkningen af ​​eksponering for en intervention.

Sekundære analyser: Ovenstående analyse vil blive gentaget for at sammenligne resultater ved hjælp af lidelsesspecifikke målinger (PHQ-9, GAD-7, ADSM) for tilfælde med de relevante diagnoser. Effektstørrelser mellem grupper (Cohens d) vil blive beregnet og rapporteret for hver sammenligning.

Sundhedsøkonomisk analyse: En økonomisk analyse vil blive udført fra NHS og personlige sociale tjenesters perspektiv. En cost-utility-analyse vil bruge kvalitetsjusterede leveår (QALY'er afledt af EQ-5D-spørgeskemaet og takst baseret på det offentlige værdisæt i Storbritannien) som målestok for livskvalitet ved brug af efterbehandling (sidst besøgte session) data på NA-skalaen i den primære analyse, og 3-måneders opfølgningsdata i en sekundær analyse. Sundheds- og socialtjenesters ressourceanvendelse vil blive vurderet ved hjælp af NHS-referenceomkostninger og databasen for personlige og sociale tjenesters ressourceanvendelse (PSSRU). Efterforskere vil estimere det inkrementelle omkostningseffektivitetsforhold for gruppeterapi versus individuel CBT, ved at bruge bootstrapping til at estimere konfidensintervaller. Beslutningsusikkerhed vil blive præsenteret på en omkostningseffektivitetsacceptabilitetskurve. Yderligere følsomhedsanalyser vil blive udført for ressourceforbrug og enhedsomkostninger. En følsomhedsanalyse vil kontrollere for basisomkostninger. Scenarieanalyser vil udforske alternative omkostningsperspektiver; det vil sige NHS og NHS/PSS perspektiver. Resultaterne af omkostningseffektivitetsanalysen vil blive rapporteret i overensstemmelse med Consolidated Health Economic Evaluation Reporting Standards 2022 Statement.