mHealth-estimat-baserede algoritmer, der signalerer kommende gentagelse af episoder i bipolære lidelser (MEASURE-BD)

Veteraner med bipolære lidelser (BD) oplever tilbagevendende og tilsyneladende uforudsigelige perioder med alvorlige svækkelser i psykosocial funktion, som fører til dårlige resultater i løbet af deres levetid, såsom fængsling, hjemløshed og død som følge af selvmord. Undersøgelser understøtter en sammenhæng mellem større sværhedsgrad og hyppighed af BD-symptomer og dårligere psykosocial funktion. Veteraner med BD falder ofte ud af pleje på tidspunkter, hvor behandling ville være mest gavnlig for at forhindre forringelse af psykosocial funktionsevne - når nye maniske og depressive episoder opstår. På trods af tilgængeligheden af ​​evidensbaserede behandlinger er BD således blandt de førende årsager til handicap på verdensplan.

Effektive værktøjer til prospektivt påvisning af maniske og depressive episoder kunne give klinikere mulighed for at gribe mere effektivt ind og forhindre dårlige psykosociale resultater og tab af liv. Ikke overraskende fokuserer psykoterapeutiske interventioner ofte på at lære patienterne humørovervågningsteknikker til forebyggelse af tilbagefald af episoder. Disse selvrapporteringsteknikker kræver dog indsigt og høj patientindsats, hvilket kan mangle under akutte BD-episoder. Målinger fra den virkelige verden af ​​både BD-symptomer og social funktion hos veteraner med BD, som er objektive og ikke kræver høj indsigt eller høj indsats, mangler. Således kan passive mHealth-metoder, der er gennemførlige og acceptable for veteraner med BD og effektive til prospektivt at opdage begyndende både mani og depression, forhindre psykosocial funktionsnedgang ved at sikre, at evidensbaseret pleje ydes på de tidspunkter, hvor der er størst behov.

Det overordnede mål med dette Merit Award-projekt er at etablere pålidelige og valide maskinlæringsalgoritmer ved hjælp af mHealth-data til prospektivt at detektere fald i social deltagelse og prospektiv begyndelse af mani og depression hos veteraner med BD. Undersøgelsens specifikke mål er:

Mål #1. At etablere en maskinlæringsalgoritme ved hjælp af GPS/placeringsdata til at forudsige potentielle fald i social deltagelse hos veteraner med BD. Efterforskerne vil levere nye, virkelige GPS-baserede maskinlæringsmodeller, der forudsiger dage i forvejen ændringer i social deltagelse hos veteraner. Baseret på pilotdata forventer efterforskerne, at GPS-dataprædiktorer/-funktioner inkluderer tid brugt på bopæl, arbejde og daglige rutinesteder.

Mål #2. At etablere maskinlæringsalgoritmer ved hjælp af GPS/placeringsdata til at forudsige potentielle akutte BD kliniske tilstande. Efterforskerne vil undersøge, om tilføjelse af mere byrdefulde daglige selvrapportering og stemme mejerifunktioner forbedrer modellernes nøjagtighed ved hjælp af positive forudsigelser og andre statistiske indeks. Efterforskerne forudsiger alene passive GPS/placeringsdata vil give nøjagtig forudsigelse af potentielle ændringer i BD-symptomer.

Mål #3. At udforske klinisk implementering af de mHealth-baserede algoritmer til behandling af BD. Fokusgrupper af VA-udbydere og administratorer vil vurdere gennemførligheden af ​​algoritmers implementering i klinisk pleje.

For at nå målene vil undersøgelsen rekruttere 200 veteraner med en BD-diagnose, som modtager behandling i Minneapolis VA Health Care System gennem direkte mails til patienter, flyers i lægecentret og henvisninger fra klinikere. Undersøgelsen vil bruge stratificerede prøveudtagningsstrategier til at tilmelde mindst 20 veteraner i aldersgrupperne 18-35, 36-45, 46-55, 56-65 og 66 og ældre. Deltagerne vil blive fulgt i 14 uger ved hjælp af tre smartphone-apps (dvs. VA mPRO, FollowMee og Recorder Plus eller ASR Voice Recorder). Dagligt vil deltagerne gennemføre en 8-spørgsmåls vurdering af deres aktuelle symptomer og give stemmedata til taleanalyse til en fast prompt om deres planlagte aktiviteter for dagen. En anden app vil løbende og passivt overvåge placeringen ved hjælp af smartphones GPS-funktioner for at opdage afvigelser i den daglige rutine. Hver anden uge vil deltagerne udfylde en kort telefonskærm, der vurderer social og samfundsdeltagelse, symptomer på mani og depression og suicidalitet. mHealth-data fra dage forud for de to ugentlige interviews vil blive brugt som funktioner i et lille antal kandidatmodeller for maskinlæring, hvor resultatmål er vurderinger af bipolære symptomer og social deltagelse hver anden uge. Projektpersonalet vil også afholde to fokusgrupper - en af ​​8 VA mentale sundhedsudbydere og en af ​​8 VA administratorer - der repræsenterer forskellige discipliner og bruge guidede diskussionsspørgsmål til at fremkalde feedback om implementering af mHealth-baserede algoritmer i fremtidig klinisk behandling af veteraner med BD.

Effekt: Undersøgelsens mål er at levere kliniske værktøjer til realtids, diskrete og prospektive signaler om forestående depressive og maniske episoder tilbagefald hos veteraner med BD til deres klinikere for hurtigere, billigere og mere effektiv brug af eksisterende evidensbaseret behandlinger for at forhindre dårlige psykosociale funktionelle resultater. Desuden vil den nuværende undersøgelse give objektive, lav indsats og diskrete foranstaltninger til sporing af social deltagelse in situ og i realtid i både veteraner med BD og andre veteranpopulationer.