Patientoplevelsesanbefalingssystem til skræddersyet overbevisende kommunikation (PERSPECT)

For at maksimere patientperspektivet og effektivt understøtte livsstilsvalg, vil vi udvikle "Patient Experience Recommender System for Persuasive Communication Tailoring." PERSPeCT er et adaptivt computersystem, der vil vurdere en patients individuelle perspektiv, forstå patientens præferencer for sundhedsmeddelelser og give personlig, overbevisende sundhedskommunikation, der er relevant for den enkelte patient.

Efterforskere foreslår at overvinde nøglesvagheder i eksisterende top-down ekspertdrevne sundhedskommunikationsinterventioner ved at anvende avancerede maskinlæringsalgoritmer til adaptivt at anbefale beskeder baseret på tusindvis af patienters "kollektive intelligens". Dette arbejde vil udnytte en paradigmeskiftende "Web 2.0"-tilgang til adaptiv personalisering med potentiale for bred indvirkning på området computerskræddersyet sundhedskommunikation (CTHC).

Ved at bruge viden fra videnskabelige eksperter indsamler nuværende CTHC-interventioner baseline patient-"profiler" og bruger derefter ekspertskrevne, regelbaserede systemer til at målrette beskeder til undergrupper af patienter. Disse markedssegmenteringsinterventioner viser noget løfte i at hjælpe visse patienter med at nå livsstilsmål. Selvom det er teoretisk forsvarligt, kan regelbaserede systemer ikke tage højde for sociokulturelle begreber, der har en iboende betydning for den målrettede befolkning, hvilket begrænser deres relevans. Desuden tilpasser reglerne sig ikke til patientfeedback.

Uden for sundhedsvæsenet har virksomheder som Google, Amazon, Netflix og Pandora gjort omfattende brug af adaptive anbefalingssystemer for at levere indhold med øget personlig relevans. Disse systemer bruger maskinlæringsalgoritmer til at udlede personlige anbefalinger fra en række datakilder, herunder præferencefeedback indsamlet fra individuelle brugere.

Inden for rammerne af dette Patient-Centered Outcomes Research Institute (PCORI) pilot vil efterforskere tage fat på udfordringerne ved at tilpasse maskinlæringsanbefalingssystemer til CTHC i den specifikke kontekst af patientens beslutningsstøtte til rygestop. Efterforskere har valgt dette domæne, fordi rygning er en vigtig dødsårsag, der kan forebygges, og fordi vi har en eksisterende database med 1.000 overbevisende meddelelser udviklet i en aktuel føderal bevilling (R01 CA129091). Specifikke studiemål er at:

Mål 1: Indsaml eksplicit feedback-data for at træne PERSPeCT Rekrutér 700 rygere ved at bruge flere, komplementære strategier og ved hjælp af en webgrænseflade, bed rygere om at give (a) perspektiver på rygning og rygestop og sociokulturel kontekstinformation og (b) vurderinger af det indflydelsesrige aspekt af beskeder om rygestop.

Mål 2: Design, implementer og valider en tilpasset anbefalingsramme Dette vil involvere (a) udvikling og implementering af et maskinlæringsanbefalingssystem, der integrerer patientprofiler, beskedmetadata, webstedsvisninger og indflydelsesvurderinger, og (b) træning af modellen og validering dens forudsigelige præstation.

Mål 3: Udfør et randomiseret pilotforsøg (n = 120 rygere) af PERSPeCT. Efterforskere antager, at PERSPeCT-systemet vil (H1) udvælge beskeder med stigende indflydelse, efterhånden som rygere giver flere beskedvurderinger og (H2) udvælge beskeder med bedre indflydelse end et regelbaseret CTHC-system, når rygere giver et tilstrækkeligt antal vurderinger. CTHC-systemer understøtter patientbeslutninger om adfærd, livsstil og valg. PERSPeCT adresserer interesseområder for PCORI, nemlig: 1) Identificering, afprøvning og/eller evaluering af metoder, der kan bruges til at vurdere patientperspektivet, når der undersøges adfærd, livsstil og valg inden for patientens kontrol; og 2) Udvikling, forfining, afprøvning og/eller evaluering af patientcentrerede tilgange, herunder beslutningsstøtteværktøjer. Undersøgelsesteamet er unikt positioneret til at nå disse ambitiøse mål inden for rammerne af denne PCORI-pilot, fordi efterforskerne vil bruge en eksisterende database med overbevisende meddelelser fra en tidligere undersøgelse, to års data om effektiviteten af ​​disse meddelelser og et tværfagligt team med ekspertise inden for sundhedskommunikation, websystemteknik og maskinlæringsanbefalingssystemer.