Auf mHealth-Schätzungen basierende Algorithmen signalisieren das bevorstehende Wiederauftreten von Episoden bei bipolaren Störungen (MEASURE-BD)

Veteranen mit bipolaren Störungen (BD) erleben wiederkehrende und scheinbar unvorhersehbare Phasen schwerer Beeinträchtigungen der psychosozialen Funktion, die im Laufe ihres Lebens zu schlechten Folgen wie Inhaftierung, Obdachlosigkeit und Tod durch Selbstmord führen. Studien belegen einen Zusammenhang zwischen einer größeren Schwere und Häufigkeit von BD-Symptomen und einer schlechteren psychosozialen Funktion. Veteranen mit BD brechen die Behandlung oft zu einem Zeitpunkt ab, zu dem eine Behandlung am sinnvollsten wäre, um eine Verschlechterung der psychosozialen Funktion zu verhindern – wenn neue manische und depressive Episoden auftreten. Daher gehört BD trotz der Verfügbarkeit evidenzbasierter Behandlungen weltweit zu den häufigsten Ursachen für Behinderungen.

Effektive Instrumente zur prospektiven Erkennung manischer und depressiver Episoden könnten Ärzten die Möglichkeit bieten, effizienter einzugreifen und schlechte psychosoziale Folgen und Todesfälle zu verhindern. Es überrascht nicht, dass sich psychotherapeutische Interventionen häufig darauf konzentrieren, den Patienten Stimmungsüberwachungstechniken zur Vorbeugung von Episodenrückfällen beizubringen. Allerdings erfordern diese Selbstberichtstechniken Einsicht und einen hohen Aufwand des Patienten, der bei akuten BD-Episoden möglicherweise fehlt. Es fehlen reale Messungen sowohl der BD-Symptome als auch der sozialen Funktion bei Veteranen mit BD, die objektiv sind und weder große Einsichten noch große Anstrengungen erfordern. Somit könnten passive mHealth-Methoden, die für Veteranen mit BD machbar und akzeptabel sind und bei der prospektiven Erkennung von Manie- und Depressionsausbrüchen wirksam sind, psychosoziale Funktionseinbußen verhindern, indem sie sicherstellen, dass eine evidenzbasierte Versorgung in den Zeiten des größten Bedarfs bereitgestellt wird.

Das übergeordnete Ziel dieses Merit Award-Projekts besteht darin, zuverlässige und valide Algorithmen für maschinelles Lernen zu etablieren, die mHealth-Daten verwenden, um prospektiv einen Rückgang der sozialen Teilhabe und einen möglichen Ausbruch von Manie und Depression bei Veteranen mit BD zu erkennen. Die konkreten Ziele der Studie sind:

Ziel Nr. 1. Einrichtung eines maschinellen Lernalgorithmus unter Verwendung von GPS-/Standortdaten zur Vorhersage eines voraussichtlichen Rückgangs der sozialen Beteiligung bei Veteranen mit BD. Die Forscher werden neuartige, realitätsnahe GPS-basierte Modelle für maschinelles Lernen bereitstellen, die Tage im Voraus Veränderungen in der sozialen Teilhabe von Veteranen vorhersagen. Basierend auf Pilotdaten erwarten die Forscher, dass GPS-Datenprädiktoren/-funktionen die Zeit umfassen, die am Wohnort, am Arbeitsplatz und an Orten des täglichen Lebens verbracht wird.

Ziel Nr. 2. Etablierung von Algorithmen für maschinelles Lernen unter Verwendung von GPS-/Standortdaten zur Vorhersage zukünftiger akuter klinischer BD-Zustände. Die Forscher werden untersuchen, ob das Hinzufügen belastenderer täglicher Selbstberichts- und Sprachmilchfunktionen die Genauigkeit der Modelle mithilfe positiver Vorhersagen und anderer statistischer Indizes verbessert. Die Forscher sagen voraus, dass passive GPS-/Standortdaten allein eine genaue Vorhersage möglicher Veränderungen der BD-Symptome liefern werden.

Ziel Nr. 3. Untersuchung der klinischen Implementierung der mHealth-basierten Algorithmen bei der Behandlung von BD. Fokusgruppen von VA-Anbietern und -Administratoren werden die Machbarkeit der Implementierung von Algorithmen in der klinischen Versorgung bewerten.

Um die Ziele zu erreichen, werden für die Studie 200 Veteranen mit einer BD-Diagnose rekrutiert, die im Gesundheitssystem von Minneapolis, VA, durch Direktmailings an Patienten, Flyer im medizinischen Zentrum und Überweisungen durch Ärzte versorgt werden. Die Studie wird Rekrutierungsstrategien für geschichtete Stichproben verwenden, um mindestens 20 Veteranen im Alter von 18–35, 36–45, 46–55, 56–65 und 66 Jahren und älter einzuschreiben. Die Teilnehmer werden 14 Wochen lang mit drei Smartphone-Apps (VA mPRO, FollowMee und Recorder Plus oder ASR Voice Recorder) beobachtet. Täglich füllen die Teilnehmer eine 8-Fragen-Bewertung ihrer aktuellen Symptome aus und stellen Stimmdaten für die Sprachanalyse an eine feste Eingabeaufforderung über ihre geplanten Aktivitäten für den Tag zur Verfügung. Eine weitere App überwacht den Standort mithilfe der GPS-Funktionen des Smartphones kontinuierlich und passiv, um Abweichungen im Tagesablauf zu erkennen. Alle zwei Wochen führen die Teilnehmer einen kurzen Telefonscreening durch, in dem die soziale und gemeinschaftliche Beteiligung, Symptome von Manie und Depression sowie Suizidalität beurteilt werden. mHealth-Daten von Tagen vor den zweiwöchentlichen Interviews werden als Merkmale in einer kleinen Anzahl von Kandidatenmodellen für maschinelles Lernen verwendet, wobei die Ergebnismaße alle zweiwöchentlichen Interviewbewertungen von bipolaren Symptomen und sozialer Beteiligung sind. Die Projektmitarbeiter werden außerdem zwei Fokusgruppen abhalten – eine von acht VA-Anbietern für psychische Gesundheit und eine von acht VA-Administratoren –, die verschiedene Disziplinen vertreten, und geführte Diskussionsfragen verwenden, um Feedback zur Implementierung von mHealth-basierten Algorithmen in der zukünftigen klinischen Versorgung von Veteranen mit BD einzuholen.

Auswirkung: Ziel der Studie ist die Bereitstellung klinischer Tools für Echtzeit-, unauffällige und prospektive Signale über drohende depressive und manische Episodenrückfälle bei Veteranen mit BD an ihre Ärzte für eine schnellere, kostengünstigere und effektivere Nutzung bestehender evidenzbasierter Erkenntnisse Behandlungen zur Verhinderung schlechter psychosozialer funktioneller Ergebnisse. Darüber hinaus wird die aktuelle Studie objektive, aufwandsarme und unauffällige Maßnahmen zur Verfolgung der sozialen Beteiligung vor Ort und in Echtzeit sowohl bei Veteranen mit BD als auch bei anderen Veteranenpopulationen liefern.