Wirksamkeit der Safe Haven Applikation (App) unter Studierenden

Hintergrund: Studierende stehen vor einer kritischen Übergangsphase, die durch bedeutende Stressfaktoren und eine hohe Prävalenz psychischer Gesundheitsprobleme gekennzeichnet ist. Jedoch bleiben Hilfesuchverhalten aufgrund von Stigmatisierung und strukturellen Barrieren gering. Während mobile Gesundheits-Apps (mHealth) eine skalierbare Lösung bieten, basieren bestehende Interventionen oft auf statischen Inhalten und fehlen einer Echtzeit-Reaktionsfähigkeit auf die schwankenden psychologischen Zustände der Studierenden. Diese Studie stellt "Safe Haven" vor, ein Just-in-Time Adaptive Intervention (JITAI)-System, das Selbstüberwachung mit Risikostratifizierung integriert, um maßgeschneiderte Unterstützung zu bieten. Diese Studie zielt darauf ab, die Wirksamkeit der Safe Haven-App bei der Reduzierung psychischer Belastung und der Verbesserung der psychischen Gesundheitskompetenz im Vergleich zur alleinigen Standard-Campus-Versorgung zu bewerten.

Studiendesign: Diese Studie verwendet ein paralleles, zweiarmiges randomisiertes kontrolliertes Studienprotokoll (RCT). Insgesamt werden 68 berechtigte Studierende einer nationalen Universität in Süd-Taiwan rekrutiert. Nach Abschluss der Basisbewertungen (T0) werden die Teilnehmer im Verhältnis 1:1 entweder der Experimentalgruppe oder der Wartelisten-Kontrollgruppe zugewiesen.

Interventionsdetails

Experimentalgruppe (Safe Haven-App + TAU): Teilnehmer dieser Gruppe erhalten für einen Zeitraum von 3 Monaten Zugang zur Safe Haven-App, zusätzlich zur uneingeschränkten Nutzung der standardmäßigen Beratungs- und psychischen Gesundheitsdienste auf dem Campus (Treatment-as-Usual, TAU). Die Safe Haven-App umfasst fünf Kernkomponenten:

1. Stimmungs- und Schlaf-Tracking Visualisiert Langzeittrends bei täglichen Stimmungs- und Schlafberichten sowie wöchentlichen psychologischen Bewertungswerten zur Unterstützung von Selbstüberwachung und Selbstbewusstsein.
2. Digitale Phänotypisierung-Datenerfassung Sammelt aktive Selbstberichtsdaten und optionale passive Mobilitätsdaten zur Unterstützung von Echtzeitüberwachung und Vorhersage des psychischen Gesundheitsrisikos.
3. Risikostratifiziertes gestuftes Versorgungssystem Nutzt maschinelles Lernen, um Nutzer in fünf psychische Gesundheitsrisikostufen einzuteilen, die jeweils mit einem abgestuften Interventionsprotokoll verbunden sind, das von Selbstmanagement-Unterstützung bis hin zu Notfallmaßnahmen reicht.
4. Chatbot-basierte Just-in-Time-Unterstützung Bietet Echtzeit-Emotionsunterstützung über einen KI-Chatbot, während Nutzereingaben auf Hochrisikoindikatoren überwacht werden und bei Erkennung Notfallprotokolle ausgelöst werden.
5. Psychoedukationsmodule Liefert animierte psychoedukative Inhalte mit kurzen Quizfragen und einem gamifizierten Belohnungssystem, zusammen mit Informationen zu psychischen Gesundheitsressourcen auf dem Campus und in der Gemeinschaft.

Wartelisten-Kontrollgruppe (nur TAU): Teilnehmer dieser Gruppe behalten den Zugang zu den standardmäßigen Beratungs- und psychischen Gesundheitsdiensten auf dem Campus (TAU), erhalten jedoch während der 3-monatigen Interventionsphase keinen Zugang zur Safe Haven-App. Um ethische Standards zu gewährleisten, wird diesen Teilnehmern nach Abschluss der finalen Nachfolgebewertung (T2) Zugang zur Safe Haven-App angeboten.

Studienablauf Datenerhebung erfolgt zu drei Zeitpunkten:

1. Basislinie (T0): Bei Rekrutierung und vor der Randomisierung.
2. Nach der Intervention (T1): Unmittelbar nach der 3-monatigen Interventionsphase. Teilnehmer der Experimentalgruppe werden zu diesem Zeitpunkt auch die System Usability Scale (SUS) ausfüllen.
3. Nachfolgebewertung (T2): 3 Monate nach Abschluss der Intervention.

Ergebnismessungen Die primären Endpunkte sind Veränderungen der allgemeinen psychischen Belastung (gemessen durch CHQ-12) und Symptome von Depression, Angst und Stress (gemessen durch DASS-21). Sekundäre Endpunkte umfassen Veränderungen der psychischen Gesundheitskompetenz (gemessen durch MHLS-HPG) und Interventionsengagement (gemessen durch App-Nutzungsprotokolle und SUS-Werte).

Statistischer Analyseplan Daten werden mit IBM SPSS Statistics analysiert. Die primäre Analyse folgt dem Intention-to-Treat (ITT)-Prinzip. Generalized Estimating Equations (GEE) werden genutzt, um Längsschnittveränderungen zu untersuchen und den Gruppen × Zeit-Interaktionseffekt auf die Ergebnismessungen zu testen. GEE-Modelle werden für die Basiswerte der jeweiligen Ergebnisvariablen adjustiert. Zusätzlich werden alle demografischen Merkmale, die bei der Basislinie statistisch signifikante Unterschiede zwischen den Gruppen zeigen, als Kovariaten einbezogen. Für die Experimentalgruppe werden weitere Analysen die Assoziation zwischen objektiven Engagementsmetriken (z.B. Abschlussraten) und klinischen Verbesserungen untersuchen, um Dosis-Wirkungs-Beziehungen zu bestimmen.