Versuch einer Online-Gruppenpsychotherapie-Intervention bei häufigen psychischen Störungen (UpLift-X)

Das Studienprotokoll – einschließlich eines vollständigen statistischen Analyseplans – wurde am 4. Oktober 2024 im Open Science Framework vorregistriert und öffentlich zugänglich gemacht (hier verfügbar – https://osf.io/vup9c/).

Eine pragmatische, Cluster-faktorielle, randomisierte, kontrollierte Studie mit mehreren Standorten, an der Talking Therapies (NHS-TT)-Dienste des National Health Service (NHS) für Angstzustände und Depressionen (früher bekannt als IAPT-Dienste) in England beteiligt sind. Die digital aktivierte Gruppenintervention „UPLift“, die auf dem Unified Protocol basiert, steht Patienten mit häufigen psychischen Störungen (und Komorbiditäten) zur Verfügung, die Anspruch auf eine hochintensive kognitive Verhaltenstherapie (CBT) in NHS-TT-Diensten gemäß den nationalen Richtlinien haben (Nationales Kooperationszentrum für psychische Gesundheit, 2024). Das Unified Protocol ist eine transdiagnostische Behandlung, die angesichts des häufigen gleichzeitigen Auftretens von Depressionen, Angstzuständen, somatoformen und dissoziativen Symptomen für ein breites Spektrum emotionaler Störungen relevant sein soll. Es basiert auf CBT- und Emotionsregulationstheorien und zielt darauf ab, Patienten dabei zu unterstützen, eine Reihe von Fähigkeiten zur Emotionsregulation anzuwenden, die auf die häufigsten Schwachstellen abzielen, die einer Reihe von psychischen Gesundheitsproblemen zugrunde liegen: Neurotizismus, geringe wahrgenommene Kontrolle und Überschätzung von Bedrohungen. Das Protokoll folgt dem Prinzip der Sparsamkeit, indem es die minimale Anzahl empirisch validierter Techniken einbezieht, die es für eine maximale Anzahl von Patienten mit verschiedenen Kombinationen von Symptomen und Problemen zugänglich, unkompliziert und wirksam machen. Die Inhalte sind in 8 Modulen organisiert, die online in 12 wöchentlichen 1,5-stündigen Sitzungen bereitgestellt werden, und umfassen eine Kombination aus internetbasierten Ressourcen (Fragebögen zur Selbstüberwachung, psychoedukative Videos, mit jedem Modul verknüpfte Kompetenzübungen) und Gruppentherapiesitzungen, die von einem qualifizierten kognitiven Verhaltenstherapeuten durchgeführt werden Therapeut.

Die Randomisierungseinheit (Cluster) ist jeder teilnehmende NHS-TT-Dienst. NHS Trusts sind umfassendere Organisationen, die einen oder mehrere NHS-TT-Dienste verwalten. Die Randomisierungseinheit ist also das lokale Team. Alle Patienten, die im selben örtlichen Versorgungsdienst behandelt werden, sind Mitglieder desselben Clusters. Die teilnehmenden Dienste werden nach dem Zufallsprinzip einem von 5 Armen zugeordnet. Jeder Arm umfasst die gleiche 12-Sitzungen-Online-Gruppen-Unified-Protocol-Behandlung, ist jedoch in einer anderen Reihenfolge organisiert. Die ersten beiden Module bleiben zu Beginn der Intervention festgelegt, da diese Einführungssitzungen notwendig sind, um alle Patienten an die Behandlung heranzuführen und einen zusammenhängenden Gruppenprozess zu etablieren. Ebenso wird das letzte Modul am Ende der Intervention festgelegt, da es eine Gesamtüberprüfung aller Bewältigungskompetenzen umfasst und sich auf die Rückfallprävention konzentriert. Die mittleren Module decken spezifische Fähigkeiten zur Emotionsregulation ab und lassen sich am besten personalisieren (z. B. können einige für bestimmte Patienten mehr oder weniger effektiv sein). Diese präskriptiven Module werden in den einzelnen Studienarmen in unterschiedlicher Reihenfolge bereitgestellt.

Die Teilnehmer werden bei Eintritt in die Studie Basismessungen, wöchentliche Symptomergebnismessungen vor jeder Sitzung sowie eine Nachbehandlungs- (Sitzung 12) und eine 6-monatige Nachuntersuchung durchführen. Das primäre Ergebnis wird eine negative Affektivität (NA) sein, basierend auf einem zusammengesetzten Score, der Elemente aus dem Patientengesundheitsfragebogen Nr. 9 (PHQ-9; Depression), der Skala „Generalisierte Angststörung Nr. 7“ (GAD-7; Angst) und der Arbeits- und Sozialanpassung bündelt Skala (WSAS; Funktion). Sekundäre Ergebnisse sind Lebensqualität (EuroQol – 5 Dimensionen; EQ5D), Wohlbefinden (Warwick and Edinburgh Mental Wellbeing Scale; WEMWBS) und Abbruch der Behandlung.

Die Forscher werden außerdem anonymisierte klinische Gesundheitsakten für alle Patienten sammeln, die während des Zeitraums der klinischen Studie in den teilnehmenden Diensten individuell durchgeführte kognitive Verhaltenstherapie in Anspruch nehmen. Diese Daten umfassen Demografie, klinische Versorgung und klinische Ergebnisse. Dadurch können Forscher mithilfe einer im statistischen Analyseplan beschriebenen Fall-Kontroll-Matching-Strategie Vergleiche der klinischen Wirksamkeit und der Kostenwirksamkeit durchführen.

Der statistische Analyseplan wird in drei Phasen durchgeführt, die mit den einzelnen Zielen der Studie verknüpft sind.

Ziel 1: Ergebnisse verschiedener UP-Modulsequenzen vergleichen. Dies ist die primäre Analyse, auf der die Berechnung der Stichprobengröße basiert. Fälle mit fehlenden Datenpunkten nach der Behandlung (12. Sitzung) in der abhängigen Variablen werden unter Verwendung des MissForest R-Pakets unter Verwendung aller Basisvariablen als Prädiktoren unterstellt. Imputationen werden für jeden Versuchsarm separat durchgeführt. Bei der Analyse wird ein lineares Mehrebenenmodell (gemischte Effekte) angewendet, bei dem Patienten in Gruppen verschachtelt werden und ein zufälliger Effekt für die Gruppenebene eingegeben wird. Die abhängige Variable ist der Negative Affectivity (NA)-Score nach der Behandlung, der als unabhängige Variable in den Testarm eingeht und die Basis-NA kontrolliert. Modelle werden in aufeinanderfolgenden Schritten entwickelt und Modellanpassungsindizes (AIC, BIC, -2LL) werden nach jedem Modellierungsschritt untersucht. Die Forscher werden das am besten passende und sparsamste Modell, das durch diesen schrittweisen Prozess erreicht wurde, beibehalten und interpretieren, indem sie den Log-Likelihood-Ratio-Test von -2 verwenden, um Modelle zu vergleichen. Der Intra-Cluster-Korrelationskoeffizient (ICC) wird als Index der Variabilität der Behandlungsergebnisse angegeben, die auf die Gruppenebene zurückzuführen sind. Die Effektgrößen zwischen den Gruppen (Cohens d) werden für jeden Kontrast berechnet und gemeldet (z. B. Standard-UP-Sequenz im Vergleich zu anderen Sequenzen).

Sekundäranalyse: Der obige Analyseplan wird unter Verwendung eines logistischen Mehrebenenmodells mit Dropout als abhängiger Variable wiederholt. Die Dropout-Variable wird aus Aufzeichnungen über die Teilnahme an Gruppentherapien abgeleitet, wobei Fälle, die mehr als die Hälfte (≥6) Sitzungen besucht haben, in der Referenzkategorie (Code = 0) gruppiert werden und Fälle, die weniger als die Hälfte (≤5) besucht haben, klassifiziert werden als Fälle, die ausfielen (Code = 1).

Ziel 2: Entwicklung einer personalisierten Modulauswahlmethode. Fälle mit fehlenden Datenpunkten in der abhängigen Variablen werden mit dem MissForest R-Paket unter Verwendung aller Basisvariablen als Prädiktoren imputiert, mit separaten Imputationen in den Trainings-/Validierungspartitionen und innerhalb jedes Versuchsarms. Eine zuverlässige Verbesserung (RI) bezieht sich auf eine Verringerung der Symptomschwere zwischen zwei Zeitpunkten, die größer ist als der zuverlässige Änderungsindex für das psychometrische Maß. Nach dieser Definition klassifizieren die Ermittler Fälle mithilfe einer binären Variablen, die angibt, ob sie eine zuverlässige Verbesserung zeigten (Code = 1) oder nicht (Code = 0), nachdem sie einem präskriptiven Unified Protocol-Modul ausgesetzt wurden. Diese Kodierung ermöglicht es uns, Fälle zu identifizieren, bei denen nach der Exposition gegenüber jedem der Zielmodule zuverlässige symptomatische Verbesserungen auftreten, unabhängig davon, wo sich das Modul in der Gruppenintervention befindet (z. B. am Anfang, in der Mitte oder am Ende der Intervention). zugeteilt. Diese Methodik wird es Forschern ermöglichen, die Sequenzierung und frühe Reaktionseffekte zu kontrollieren, um das Profil von Patienten zu identifizieren, die auf jedes spezifische Modul positiv ansprechen.

Probenaufteilung: Die gesamte Versuchsstichprobe wird nach dem Zufallsprinzip in Trainings- und Validierungsteilmengen im Verhältnis 60:40 aufgeteilt, wobei in jeder Trainingspartitionsaufteilung eine ausgewogene Anzahl aus jedem der 5 Versuchsarme vorhanden ist. Dadurch wird sichergestellt, dass 396 Fälle nach dem Zufallsprinzip in die Trainingspartition ausgewählt werden, was die Mindeststichprobengröße von 300 übersteigt, die zum Trainieren eines zuverlässigen klinischen Vorhersagemodells mithilfe von überwachtem maschinellem Lernen erforderlich ist.

Modellentwicklung und -optimierung (im Trainingsbereich): Die Forscher werden insgesamt fünf Vorhersagemodelle für maschinelles Lernen erstellen, eines für jedes präskriptive UP-Modul. Jedes trainierte Modell verarbeitet Eingaben (Basismerkmale des Patienten) und gibt [a] eine vorhergesagte Klassifizierung und [b] eine entsprechende vorhergesagte Wahrscheinlichkeit in Bezug auf die Klassifizierung aus. Die Logik dieser Algorithmen besteht darin, die folgende Frage zu beantworten: Wie wahrscheinlich ist es angesichts dieser Patientenmerkmale, dass dieser bestimmte Patient nach Zugriff auf Modul X eine zuverlässige Besserung erfährt? Kreuzvalidierungsstrategie (in der Validierungsstichprobe): Die statistische Genauigkeit und der klinische Nutzen der Modelle für maschinelles Lernen werden in der Validierungsstrategie bewertet, indem die Algorithmusvorhersagen mit den beobachteten Ergebnissen verglichen und die Ergebnisse für Patienten verglichen werden, die ihr optimales Modul zuerst erhalten haben an Patienten, die dies nicht getan haben.

Sekundäranalyse: Die oben beschriebene Analyse- und Kreuzvalidierungsstrategie für maschinelles Lernen wird wiederholt, um einen binären Klassifikator mit Dropout als abhängiger Variable zu trainieren. Die Dropout-Variable wird aus Aufzeichnungen über die Teilnahme an Gruppentherapien abgeleitet, wobei Fälle, die mehr als die Hälfte (≥6) Sitzungen besucht haben, in der Referenzkategorie (Code = 0) gruppiert werden und Fälle, die weniger als die Hälfte (≤5) besucht haben, klassifiziert werden als Fälle, die ausfielen (Code = 1).

Ziel 3: Bewertung der Wirksamkeit der digital aktivierten UP-Gruppentherapie im Vergleich zur individuellen CBT. Diese Analyse umfasst [a] eine Untergruppe von Teilnehmern klinischer Studien, die nach dem Zufallsprinzip dem Arm zugeordnet wurden, in dem das UP-Protokoll in der Standardsequenz durchgeführt wurde, und [b ] eine abgestimmte Stichprobe von Patienten, die in den teilnehmenden NHS-TT-Diensten eine individuelle hochintensive kognitive Verhaltenstherapie in Anspruch genommen haben. Die Daten für die einzelnen CBT-Fälle werden aus elektronischen Gesundheitsakten entnommen. CBT-Fälle, die die aufgeführten Einschlusskriterien für die Studie erfüllen, werden für diese Analyse ausgewählt. Dabei werden nur Fälle berücksichtigt, bei denen das primäre Problem in den klinischen Aufzeichnungen erkennbar ist und bei denen erstmals Schweregradwerte (PHQ-9, GAD-7, WSAS) verfügbar sind nahm an der CBT-Sitzung teil. Fälle mit fehlenden Datenpunkten nach der Behandlung (letzte besuchte Sitzung) in der abhängigen Variablen werden mithilfe des MissForest R-Pakets unter Verwendung aller Kovariaten als Prädiktoren unterstellt. Imputationen werden für jede Gruppe separat durchgeführt (individuelle CBT; Standard-UP-Gruppentherapie). Die klinischen Ergebnisse nach der Behandlung (NA-Scores) werden zwischen Fällen, die auf das Standardgruppen-UP-Protokoll zugreifen, mit einzelnen CBT-Fällen verglichen, wobei eine doppelt robuste Schätzung verwendet wird, die eine Anpassung für die nicht zufällige Zuordnung zu Behandlungen und ein kovariatenbereinigtes Regressionsmodell zum Testen kombiniert die kausale Wirkung der Exposition gegenüber einer Intervention.

Sekundäranalysen: Die obige Analyse wird wiederholt, um die Ergebnisse mithilfe störungsspezifischer Maßnahmen (PHQ-9, GAD-7, ADSM) für Fälle mit den relevanten Diagnosen zu vergleichen. Für jeden Vergleich werden die Effektgrößen zwischen den Gruppen (Cohens d) berechnet und angegeben.

Gesundheitsökonomische Analyse: Es wird eine wirtschaftliche Analyse aus Sicht des NHS und der persönlichen Sozialdienste durchgeführt. Bei einer Kosten-Nutzen-Analyse werden qualitätsbereinigte Lebensjahre (aus dem EQ-5D-Fragebogen abgeleitete QALYs und auf dem britischen öffentlichen Wertesatz basierender Tarif) als Maß für die Lebensqualität verwendet, wobei die Nachbehandlung (zuletzt besuchte Sitzung) verwendet wird. Daten auf der NA-Skala in der Primäranalyse und 3-Monats-Follow-up-Daten in einer Sekundäranalyse. Die Ressourcennutzung im Gesundheits- und Sozialwesen wird anhand der NHS-Referenzkosten und der Ressourcennutzungsdatenbank für persönliche und soziale Dienste (PSSRU) bewertet. Die Forscher werden das inkrementelle Kostenwirksamkeitsverhältnis für Gruppentherapie im Vergleich zu individueller CBT schätzen, indem sie Bootstrapping verwenden, um Konfidenzintervalle zu schätzen. Die Entscheidungsunsicherheit wird auf einer Kosteneffizienz-Akzeptanzkurve dargestellt. Zusätzlich werden Sensitivitätsanalysen für den Ressourcenverbrauch und die Stückkosten durchgeführt. Eine Sensitivitätsanalyse kontrolliert die Basiskosten. Szenarioanalysen werden alternative Kostenperspektiven untersuchen; das heißt, NHS- und NHS/PSS-Perspektiven. Die Ergebnisse der Kostenwirksamkeitsanalyse werden im Einklang mit der Erklärung der Consolidated Health Economic Evaluation Reporting Standards 2022 gemeldet.