Digitale Strategien zur Förderung der Hilfesuche – Ziel 3

Dieser Vorschlag zielt darauf ab, ein digitales Labor einzurichten, das sich auf die Förderung der Hilfesuche und die Beschleunigung des Behandlungsbeginns bei Jugendlichen (im Alter von 13 bis 26 Jahren) konzentriert, bei denen ein klinisches Hochrisiko (CHR) für die Entwicklung einer Psychose besteht. Trotz der Einführung evidenzbasierter Frühinterventionsdienste in den gesamten USA warten CHR-Jugendliche Monate bis Jahre zwischen dem Auftreten der Symptome und der Behandlung, was zu deutlich schlechteren Ergebnissen führt. Aktuelle CHR-Identifizierungsstrategien basieren auf kostspieligen, ineffizienten und veralteten Ressourcen. Weltweite Bemühungen, den Behandlungsbeginn bei CHR-Jugendlichen zu beschleunigen, haben eine beispiellose Nachfrage nach innovativen digitalen Gesundheitslösungen ausgelöst, die darauf abzielen, den Zugang zu verfügbaren und wirksamen Behandlungsoptionen zu verbessern. Die Online-Suche stellt einen der ersten proaktiven Schritte zur Einleitung einer Behandlung dar, doch bisher gibt es nur sehr wenige Forschungsergebnisse, die Aufschluss darüber geben, wie CHR-Jugendliche am besten unterstützt werden können, wenn sie frühzeitig wichtige Schritte zur Online-Hilfesuche in Richtung Pflege unternehmen.

Um diese Wissenslücke zu schließen, beinhaltet diese Studie eine Partnerschaft zwischen Mental Health America (MHA), der weltweit größten Online-Organisation für Screening und Interessenvertretung im Bereich der psychischen Gesundheit, Strong365, einem Online-Ressourcen-Hub für frühe Psychoseaufklärung und Pflegenavigation, Accelerating Medicines Partnership – Schizophrenia (AMP-SCZ), ein vom NIH finanziertes Netzwerk von CHR-Programmen in den USA, und vier akademische Partner mit Fachkenntnissen in der Beurteilung und dem Management von CHR-Jugendlichen (Columbia, UCSF, UCD) Online-Psychose-Screening und Pflegenavigation (Columbia, UCD) und digitales Engagement im Bereich der psychischen Gesundheit (UW, Columbia). Aufbauend auf der Forschungspartnerschaft von MHA mit Schwerpunkt auf digitalem Engagement im Bereich der psychischen Gesundheit (R01MH125179) nutzt dieser Ansatz das Health Action Process Approach (HAPA)-Modell, das beschreibt, wie Einzelpersonen bei der Erwägung von Verhaltensänderungen von der Absicht zur Aktion gelangen. Diese Studie wird zunächst hilfesuchende Subtypen bei 25.000 Jugendlichen charakterisieren, die im Prodromal-Fragebogen (PQ-B) auf der nationalen Screening-Plattform von MHA über dem Schwellenwert für ein Psychoserisiko liegen. Als nächstes werden die Ermittler diesen großen Datensatz verwenden, um den PQ-B-Score zu ermitteln, der sich am effektivsten für die Online-Identifizierung von CHR-Jugendlichen eignet, da das Risiko falsch positiver Ergebnisse beim Online-Selbstscreening höher sein kann und die optimalen Schwellenwerte je nach Stichprobenprävalenz variieren können , Bevölkerung und Umgebung. Die Ermittler werden dann iterativ theoretische und datengesteuerte digitale Strategien mithilfe einer Reihe von mikrorandomisierten Studien (MRT) entwickeln und testen, die darauf abzielen, die Hilfesuche bei CHR-Jugendlichen von der Vorabsicht zur Absicht, von der Absicht zur Aktion und von der Aktion zur Superleistung voranzutreiben -Aktion durch direkte Einbindung der HAPA-Zielmechanismen: Selbstwirksamkeit, wahrgenommene Bedürfnisse/Risiken und Ergebniserwartungen. Zu den konkreten Zielen und Hypothesen gehören:

Ziel 1: Charakterisierung der Hilfesuchmuster bei 25.000 Jugendlichen, deren Wert über der PQ-B-Schwelle liegt. H1a: Die Jugendlichen gruppieren sich in (1) Vor-Intender (nehmen Sie am PQ-B teil und beschäftigen sich mit Bildungsinhalten), (2) Intender (initiieren Sie einen Textaustausch mit einem Strong365-Peer-Navigator, und 3) Akteure (fortschreiten vom SMS-Schreiben zur klinischen Beurteilung). mit einem Strong365-Kliniker per Telefon/Video) und (4) Superschauspieler (von der Beurteilung bis zur AMP-SCZ-Einnahme). Zu den Daten gehören Online-Metadaten (online verbrachte Zeit, Anzahl der angezeigten Ressourcen, Zeit, die zum Vervollständigen des PQ-B aufgewendet wurde, Anzahl der initiierten/ausgetauschten Texte), Selbstberichte (demografische Daten, Symptomtyp und -schwere, PQ-B-Score, Ziele/ Bedürfnisse, Selbstwirksamkeit) und natürliche Sprache. H1b (nur Strong365): Natural Language Processing (NLP) von Daten, die aus Teilnehmer-/Anbieterinteraktionen über Text und Video extrahiert wurden, identifiziert sprachliche Marker von HAPA-Stufen: Intendant, Akteur, Superschauspieler. Modelle, die auf HAPA-Stufen basieren, zusammen mit Verhaltensmerkmalen (z. B. Nachrichtenzeitpunkt, Häufigkeit, Reaktionsverzögerung), können den Fortschritt bei der Suche nach Hilfe im Vergleich zum Rückzug vorhersagen. Die wichtigsten prädiktiven Funktionen werden verwendet, um die Ausarbeitung von Strategien zur Förderung der Hilfesuche zu unterstützen, die in MRTs getestet werden sollen (Ziel 3).

Ziel 2: Um sicherzustellen, dass diejenigen, die den PQ-B absolvieren, angemessen angeleitet werden, wird diese Studie den genauesten Schwellenwert für die Online-Identifizierung von CHR festlegen. H2: Anhand von Daten aus dem bevölkerungsbasierten PQ-B-Screening sagen die Forscher voraus, dass ein Gesamt-Belastungsscore von 20+ das höchste diagnostische Odds Ratio mit einer Sensitivität von mindestens 80 % online generiert, wie durch klinische Fernbeurteilung bestimmt. Für den Rest der Studie wird der Schwellenwert verwendet, der die Spezifität und Sensitivität maximiert.

Ziel 3: Iterativ die effektivsten Entwicklungsstrategien für die Suche nach Hilfe mithilfe von MRTs bei 25.000 Jugendlichen zu drei Zeitpunkten auf dem Weg zur Pflege entwickeln, testen und auswählen, wenn die Wahrscheinlichkeit bei Jugendlichen am größten ist, dass sie sich zurückziehen (nach Abschluss von PQ-B, nach dem Versenden von SMS mit a Peer-Navigator, post-klinische Fernbeurteilung). H3a: Digitale Strategien auf der PQ-B-Ergebnisseite werden Jugendliche vom reinen Online-Screening zum SMS-Schreiben (vom Vor-Intendanten zum Intendanten) führen. Strategien zur Verbesserung der Selbstwirksamkeit einer Aufgabe und der Ergebniserwartungen werden wirksamer sein als übliche Informationen nach dem Screening. H3b: Automatisierte digitale Strategien, die über Text übermittelt werden, werden Jugendliche vom SMS-Schreiben zur klinischen Fernbeurteilung (vom Planer zum Schauspieler) führen. Strategien zur Verbesserung der Selbstwirksamkeit einer Aufgabe und der Ergebniserwartungen sind wirksamer als Kontrollbotschaften. H3c: Automatisierte digitale Strategien, die über Text übermittelt werden, werden Jugendliche von der Beurteilung über die Einnahme von AMP-SCZ bis hin zum Beginn der Behandlung voranbringen, wenn dies angezeigt ist (Schauspieler bis Superschauspieler). Strategien zur Verbesserung der Selbstwirksamkeit bei Wartung und Wiederherstellung sind wirksamer als Kontrollbotschaften.