Verwendung von maschinellem Lernen zur Optimierung des Benutzerengagements und der klinischen Reaktion auf digitale Interventionen zur psychischen Gesundheit

Digitale psychische Gesundheitsinterventionen sind ein kostengünstiger und effizienter Ansatz, um die Zugänglichkeit und Wirkung psychologischer Behandlungen zu erweitern; Es gibt jedoch nur wenige Anleitungen zur Auswahl des effektivsten Programms für eine bestimmte Person. In der vorgeschlagenen Studie werden Entscheidungsregeln für die Auswahl des digitalen Programms entwickelt, das am wahrscheinlichsten die optimale Intervention für jeden Benutzer darstellt. Diese Behandlungsempfehlungen können im Kontext großer Gesundheitsversorgungssysteme implementiert werden, um die Bereitstellung digitaler Interventionen im Bereich der psychischen Gesundheit in großem Maßstab zu verbessern.

Das übergeordnete Ziel der aktuellen Studie ist es, besser zu verstehen, für wen und wie führende digitale Interventionen in einem großen Gesundheitsumfeld funktionieren. Die Studie baut auf der bestehenden Literatur auf und folgt den Empfehlungen von Experten, indem sie Methoden des maschinellen Lernens (ML) verwendet, um präzise Behandlungsregeln (PTRs) für drei führende digitale Interventionen für emotionale Störungen (z. B. Angstzustände, Depressionen und verwandte psychische Störungen) zu entwickeln. Insbesondere werden ML-Methoden verwendet, um PTRs zu entwickeln, um die klinischen Ergebnisse und den damit verbundenen Interventionseinsatz zu optimieren. Diese Studie wird eine einzigartige Partnerschaft zwischen der Boston University (BU), SilverCloud Health (SC) – einem führenden Anbieter digitaler psychischer Gesundheitsversorgung – und Kaiser Permanente (KP) – einem der führenden Gesundheitsdienstleister Amerikas – nutzen.

Eine klinische Studie (RCT) wird durchgeführt, um die relative Wirksamkeit von drei unterschiedlichen empirisch gestützten digitalen Interventionen zur psychischen Gesundheit (aus der bestehenden Programmbibliothek von SC) in einer Stichprobe zu bewerten, die aus der KP-Grundversorgung und anderen klinischen Einrichtungen rekrutiert wurde. Die Daten aus dieser Studie werden verwendet, um theoretisch und empirisch fundierte, zuverlässige Auswahlalgorithmen für die Verwaltung von Behandlungsentscheidungen zu entwickeln. Die Algorithmen werden in einem separaten „Holdout“-Datensatz validiert, indem untersucht wird, ob die Zuordnung zu einer vorhergesagten optimalen Behandlung im Vergleich zu einer Zuordnung zu einer nicht optimalen Behandlung mit besseren Ergebnissen verbunden ist. Die Rolle des Benutzerengagements wird bestimmt und andere Mechanismen im Behandlungsergebnis.