SmartCriseS - Smartphone-undersøgelse af selvmordsrisiko (SmartCriseS)

Den foreslåede undersøgelse vil bruge økologisk momentan vurdering (EMA) via smartphone-applikationer (apps) og wearable trackers til at undersøge forholdet mellem selvmord (ønske om at dø, selvmordstanker og selvmordsforsøg) og ændringer i søvnkvalitet og forstyrret appetit. Disse adfærdsmarkører, hvis hypotesen er bevist sand, kan hjælpe med at forudsige øget selvmordsrisiko i realtid inden for en sårbar befolkning på tværs af forskellige kulturer.

Undersøgelsen har til formål at: (1) Etablere, i hvilken grad søvnkvalitet er relateret til selvmordstanker og selvmordsforsøg; (2) Fastlægge, i hvilket omfang ændring i appetit er relateret til selvmordstanker og selvmordsforsøg; (3) Bestem den følelsesmæssige påvirkning af appen, når suicidalitet vurderes; (4) Afklare tidslinjen for forholdet mellem søvnforstyrrelser og selvmordsadfærd; (5) Udvikle personlige algoritmer baseret på EMA-protokol og motoriske aktivitetsmarkører eller "signaturer" for at vurdere risikoen for selvmordsforsøg.

Hypotesen er, at variationer i søvnkvalitet vil hænge sammen med øget ønske om at dø, selvmordstanker og selvmordsforsøg. Det forventes, at et fald i søvnkvaliteten vil være en selvmordsrisikomarkør, især blandt unge individer.

Denne prospektive tværnationale undersøgelse vil bruge infrastrukturen i et eksisterende netværk (WORECA). Woreca har defineret en fælles protokol for selvmordsvurdering, datadeling og analysestrategi.

1044 selvmordsforsøgere vil blive inkluderet og fulgt i 6 måneder. Hver deltager vil blive vurderet ved hjælp af en EMA-protokol via to smartphone-apps: (1) En app vil stille dagligdags spørgsmål efter en dynamisk protokol til at vurdere kvaliteten af ​​søvn, appetit, selvmordstanker og psykopatologi; (2) den anden app optager aktivitet ved hjælp af smartphone-sensorer. Derudover vil 300 deltagere (150 i Frankrig og 150 i Spanien) få deres søvnfaser og andre fysiologiske ændringer under søvn overvåget med et armbånd, der kan bæres. Undersøgelsesresultater omfatter ønske om at leve, ønske om at dø, selvmordstanker og selvmordsforsøg i opfølgningsperioden.

En logit-regressionsanalyse på flere niveauer vil blive brugt til at tage højde for flere observationer pr. individ, for at identificere individuelt niveau (søvn, appetit, sociodemografiske, kliniske data, behandlingsdata) og karakteristika på stedets niveau forbundet med dødsønske, selvmordstanker eller selvmordsforsøg (mål 1 og 2). Faremodeller vil også blive brugt til at relatere kovariate karakteristika (søvn, appetit, sociodemografiske, kliniske data, behandlingsdata) med tid til selvmordsforsøg i løbet af opfølgningsperioden (mål 1 og 2). Data mining (machine learning) teknikker vil blive brugt til at undersøge risikofaktorer, mønstre for sygdomsudvikling (mål 3 og 4) og patientstratificering efter niveau af selvmordsrisiko (mål 5).

Identifikation af surrogatmarkører for suicidalitet relateret til fysiologiske funktioner, som bærer mindre eller ingen stigmatisering for patienterne og er lettere at rapportere, eller har en lavere rapporteringstærskel, er en væsentlig opgave. Disse markører ville gøre det muligt i realtid at forudsige en stigning i selvmordsrisiko inden for en sårbar befolkning og i sidste ende hjælpe med at forebygge og endda personalisere behandlingen. Selvmordsadfærd, herunder selvmordstanker, kan forebygges, men for at være effektiv skal forebyggelse være afhængig af identifikation af specifikke risikofaktorer.