STÅ. Alacrity Centers signaturprojekt

Community Colleges giver en kritisk vej for udvikling af arbejdsstyrken og socioøkonomisk gevinst, men denne mulighed afbødes af udækkede behov for mentale sundhedstjenester, især for depression og angst, og især for racemæssige/etniske minoritetsstuderende. Der er hårdt brug for et skalerbart og effektivt plejesystem, der håndterer mentale sundhedsbehov i samspil med sociale mentale sundhedsdeterminanter. Alacrity Center har til formål at implementere STAND-plejesystemet, som screener og behandler angst og depression, for en meget forskelligartet community college-befolkning. STAND-triager til forskellige niveauer af pleje, lige fra selv-guidet online forebyggelse, til coach-guidet online kognitiv adfærdsterapi (CBT) til kliniker-leveret pleje. Efter indledende triaging foretager STAND tilpasninger til plejeniveauet gennem hele studieoptagelsestiden (f.eks. flyttet op til et højere plejeniveau under akut behandling). Disse triaging- og tilpasningsbeslutninger er i øjeblikket baseret på den aktuelle symptomsværhedsgrad. Sådanne beslutninger kan optimeres ved hjælp af omfattende datadrevne algoritmer, der forudsiger behovet for et bestemt plejeniveau og for tilpasning til plejeniveauet gennem hele behandlingen, og især algoritmer, der passer til behovene hos undertjente community college-studerende, som står over for betydelige livsstressorer. .

Målet med Signaturprojektet er at evaluere kliniske beslutningstagningsalgoritmer for (a) triaging til plejeniveau og (b) tilpasning af plejeniveauet i en lavindkomst, meget forskelligartet stikprøve af community college-studerende ved East Los Angeles College (ELAC) ). Slutmålet er at forbedre effektiviteten af ​​STAND og at fremme videnskaben om personlig mental sundhed. Vi vil sammenligne standardtilgangen, der udelukkende er afhængig af symptomernes sværhedsgrad, med en datadrevet tilgang til beslutningstagning, der bruger multivariate prædiktive algoritmer bestående af statiske og tidsvarierende grundtræk fra fire overlappende og gensidigt forstærkende teoretiske konstruktioner: (1) sociale determinanter for mental sundhed (beskæftigelse, indkomst, bolig og fødevaresikkerhed, diskrimination, social støtte, race/etnicitet, akkulturation, immigrationsstatus, køn, seksuel orientering); (2) tidlige modgang og livsstressorer; (3) prædisponerende, muliggørende og behovspåvirkninger på brug af sundhedstjenester; og (4) omfattende mental sundhedsstatus (depression, angst og selvmords sværhedsgrad, komorbiditeter, neurokognitiv funktion, følelsesmæssig dysregulering, brug af reguleringsstrategi, behandlingshistorie og præferencer, social, erhvervsmæssig, hjemme- og akademisk funktion). Det overordnede design er at randomisere ELAC-elever til enten symptomsværhedsbeslutningstagning (SSD) eller datadrevet beslutningstagning (DDD), og evaluere om DDD forbedrer overholdelse af behandling, symptomer og funktion.

Deltagerne vil blive tilmeldt i de første to til fire måneder af det akademiske år på ELAC. Måltilmeldingen er 200 deltagere om året over fem år (n = 1000 i alt). Deltagerne er nuværende ELAC-studerende i alderen 18-40 år. Prædiktorer og resultater vil blive vurderet ved baseline og enten ugentligt eller hver 8. uge indtil uge 40. Multivariate forudsigelsesmodeller vil blive brugt til indledende plejetriaging og senere tilpasninger af plejeniveau baseret på et omfattende sæt af variabler, som har vist sig at drive de nuværende behov for mental sundhed. Deltagerne vil udfylde computeriserede vurderinger og selvrapporterende spørgeskemaer. Den samlede varighed af deltagelse er 40 uger.