Patientenerfahrungs-Empfehlungssystem für überzeugende Kommunikationsanpassung (PERSPECT)

Um die Patientenperspektive zu maximieren und die Wahl des Lebensstils effektiv zu unterstützen, werden wir das „Patient Experience Recommender System for Persuasive Communication Tailoring“ entwickeln. PERSPeCT ist ein adaptives Computersystem, das die individuelle Perspektive eines Patienten beurteilt, die Präferenzen des Patienten für Gesundheitsbotschaften versteht und eine personalisierte, überzeugende Gesundheitskommunikation bereitstellt, die für den einzelnen Patienten relevant ist.

Die Forscher schlagen vor, die wichtigsten Schwachstellen bestehender, von Top-Down-Experten gesteuerter Gesundheitskommunikationsinterventionen zu überwinden, indem sie fortschrittliche Algorithmen für maschinelles Lernen anwenden, um Nachrichten basierend auf der „kollektiven Intelligenz“ Tausender Patienten adaptiv zu empfehlen. Diese Arbeit wird einen paradigmenwechselnden „Web 2.0“-Ansatz zur adaptiven Personalisierung nutzen, der das Potenzial für weitreichende Auswirkungen auf den Bereich der computerbasierten Gesundheitskommunikation (Computer Tailored Health Communication, CTHC) hat.

Aktuelle CTHC-Interventionen nutzen das Wissen wissenschaftlicher Experten und sammeln grundlegende Patientenprofile und verwenden dann von Experten geschriebene, regelbasierte Systeme, um Nachrichten gezielt an Untergruppen von Patienten zu richten. Diese Marktsegmentierungsinterventionen sind vielversprechend, wenn es darum geht, bestimmten Patienten dabei zu helfen, ihre Lebensstilziele zu erreichen. Obwohl theoretisch fundiert, berücksichtigen regelbasierte Systeme möglicherweise nicht soziokulturelle Konzepte, die für die Zielgruppe von intrinsischer Bedeutung sind, wodurch ihre Relevanz eingeschränkt wird. Darüber hinaus passen sich die Regeln nicht an das Feedback der Patienten an.

Außerhalb des Gesundheitswesens nutzen Unternehmen wie Google, Amazon, Netflix und Pandora in großem Umfang adaptive Empfehlungssysteme, um Inhalte mit erhöhter persönlicher Relevanz bereitzustellen. Diese Systeme verwenden Algorithmen des maschinellen Lernens, um personalisierte Empfehlungen aus einer Vielzahl von Datenquellen abzuleiten, einschließlich des von einzelnen Benutzern gesammelten Präferenz-Feedbacks.

Im Rahmen dieses Pilotprojekts des Patient-Centered Outcomes Research Institute (PCORI) werden sich Forscher mit den Herausforderungen der Anpassung maschinell lernender Empfehlungssysteme an CTHC im spezifischen Kontext der Patientenentscheidungsunterstützung für die Raucherentwöhnung befassen. Die Forscher haben sich für diesen Bereich entschieden, weil Rauchen eine der häufigsten vermeidbaren Todesursachen ist und weil wir über eine bestehende Datenbank mit 1.000 überzeugenden Botschaften verfügen, die im Rahmen eines aktuellen Bundeszuschusses (R01 CA129091) entwickelt wurden. Konkrete Studienziele sind:

Ziel 1: Sammeln Sie explizite Feedback-Daten, um PERSPeCT zu schulen. Rekrutieren Sie 700 Raucher mit mehreren, sich ergänzenden Strategien und bitten Sie Raucher über eine Webschnittstelle, (a) Perspektiven zum Rauchen und Aufhören sowie soziokulturelle Kontextinformationen und (b) Bewertungen anzugeben des einflussreichen Aspekts von Botschaften zur Raucherentwöhnung.

Ziel 2: Entwerfen, Implementieren und Validieren eines maßgeschneiderten Empfehlungsrahmens. Dies umfasst (a) die Entwicklung und Implementierung eines Empfehlungssystems für maschinelles Lernen, das Patientenprofile, Nachrichtenmetadaten, Website-Ansichten und Einflussbewertungen integriert, und (b) das Training und die Validierung des Modells seine Vorhersageleistung.

Ziel 3: Durchführung einer randomisierten Pilotstudie (n = 120 Raucher) von PERSPeCT. Forscher gehen davon aus, dass das PERSPeCT-System (H1) Nachrichten mit zunehmendem Einfluss auswählt, wenn Raucher mehr Nachrichtenbewertungen abgeben, und (H2) Nachrichten mit größerem Einfluss auswählt als ein regelbasiertes CTHC-System, wenn Raucher eine ausreichende Anzahl von Bewertungen abgeben. CTHC-Systeme unterstützen Patientenentscheidungen über Verhaltensweisen, Lebensstile und Entscheidungen. PERSPeCT befasst sich mit den für PCORI interessanten Bereichen, nämlich: 1) Identifizieren, Testen und/oder Bewerten von Methoden, die zur Beurteilung der Patientenperspektive bei der Untersuchung von Verhaltensweisen, Lebensstilen und Entscheidungen innerhalb der Kontrolle des Patienten verwendet werden können; und 2) Entwicklung, Verfeinerung, Prüfung und/oder Bewertung patientenzentrierter Ansätze, einschließlich Tools zur Entscheidungsunterstützung. Das Studienteam ist einzigartig positioniert, um diese ehrgeizigen Ziele im Rahmen dieses PCORI-Pilotprojekts zu erreichen, da die Forscher eine bestehende Datenbank mit überzeugenden Botschaften aus einer früheren Studie, zwei Jahre an Daten zur Wirksamkeit dieser Botschaften und ein transdisziplinäres Team mit nutzen werden Fachkenntnisse in Gesundheitskommunikation, Web-Systemtechnik und Empfehlungssystemen für maschinelles Lernen.