Mejorar la atención de la salud mental al relacionar científicamente a los pacientes con las fortalezas de los proveedores

Antecedentes y significado:

La enfermedad mental es un problema de salud pública extraordinario y muy oneroso. Desafortunadamente, incluso para las personas que acceden a la atención de salud mental (MHC), la atención suele ser deficiente. La investigación ha demostrado consistentemente que aproximadamente el 10-15% de los pacientes se deteriorarán o sufrirán daños durante el tratamiento. Además, cuando estas tasas se combinan con tasas sin cambios, solo el 40 % o menos de los pacientes se recuperan significativamente. Es importante destacar que la investigación del tratamiento ha revelado una variabilidad sustancial en los resultados de los proveedores. En pocas palabras, el proveedor de MHC afecta los resultados del tratamiento y las partes interesadas carecen de acceso sistemático a información válida y procesable para optimizar las coincidencias efectivas entre paciente y proveedor. Sin recopilar y difundir datos de desempeño, las partes interesadas carecen de información vital sobre la cual basar las opciones de atención médica y personalizar el tratamiento. Por el contrario, potencialmente existe una inmensa ventaja al emparejar a los pacientes con los proveedores en función de los datos de resultados científicos. Los pacientes, las partes interesadas, los investigadores y los médicos han respaldado dicha transferencia de conocimiento aplicado como una alta prioridad. En respuesta, los investigadores desarrollaron y probaron una tecnología para probar este concepto de coincidencia y el modelo de salud centrado en el paciente.

Destacadas agencias de atención médica han colocado la medición de resultados/desempeño en el centro de las iniciativas centrales. El Instituto de Medicina recomienda específicamente integrar los datos de desempeño del proveedor en la toma de decisiones sobre el tratamiento. A pesar de esta retórica, 2 revisiones Cochrane combinadas solo pudieron identificar 4 estudios que abordaron esta pregunta con estándares de metodología mínimos; los resultados fueron mixtos. Es importante destacar que ninguno involucró una intervención de difusión dirigida y ninguno involucró a MHC. Investigaciones anteriores, incluida la nuestra, han demostrado empíricamente diferencias sustanciales en los tamaños del efecto del tratamiento proyectado según el terapeuta al que se remita al paciente. La brecha clave en la evidencia es la necesidad de una prueba rigurosa de la efectividad de una intervención específica de difusión del desempeño del proveedor de MHC en comparación con la remisión estándar/pragmática y la asignación de casos. En relación con esto, el Instituto de Investigación de Resultados Centrados en el Paciente (PCORI, por sus siglas en inglés) ha pedido una mayor "precisión" o un tratamiento "personalizado", con un enfoque en la adaptación. El algoritmo de coincidencia responde directamente a esta llamada de alta prioridad para personalizar la atención de manera personal y basada en evidencia.

Objetivos específicos:

El objetivo de esta investigación de efectividad comparativa (CER, por sus siglas en inglés) es probar un algoritmo innovador y científicamente informado de referencias de pacientes y terapeutas basado en datos de resultados de proveedores de MHC. Los investigadores emplearán un ensayo controlado aleatorizado (RCT) para comparar el algoritmo de coincidencia con la coincidencia de referencia pragmática común (según la disponibilidad del proveedor, la conveniencia o la especialidad autoinformada). El tratamiento psicosocial en sí seguirá siendo administrado de manera natural por diversos proveedores (p. ej., psicólogos, trabajadores sociales) a pacientes con problemas de salud mental complejos dentro de una red de clínicas asociadas, Psychological and Behavioral Consultants (PsychBC). Los investigadores plantean la hipótesis de que el grupo de coincidencia científica superará al grupo de coincidencia pragmática en la disminución de los síntomas del paciente y el abandono del tratamiento, y en la promoción de los resultados funcionales del paciente, las expectativas de resultados y la satisfacción de la atención, así como la calidad de la alianza paciente-terapeuta. Si lo hace, establecerá el algoritmo de coincidencia como un mecanismo efectivo de MHC centrado en el paciente.

Métodos:

Los investigadores compararán la efectividad del MHC naturalista con o sin la ayuda de comparación científica con un ECA doble ciego a nivel individual. Los investigadores primero realizarán una evaluación de referencia del desempeño de los terapeutas de PsychBC (inscripción objetivo N = 44) (en al menos 15 casos) para determinar sus puntos fuertes en el tratamiento de 12 dominios de salud conductual medidos por la herramienta de resultado principal en la que se basa nuestro algoritmo de coincidencia. -- el Paquete de resultados del tratamiento (TOP). El TOP ya se administra de forma rutinaria en nuestra red de socios. Basada en años de investigación analítica predictiva, esta herramienta clasifica a los terapeutas como "eficaces", "neutrales" o "ineficaces/perjudiciales" para cada dominio TOP. Los terapeutas ciegos cruzarán las condiciones.

A continuación, para el ensayo, los nuevos pacientes adultos ambulatorios (inscripción objetivo N = 281) se asignarán aleatoriamente a la condición de coincidencia o asignación de casos como de costumbre (generalmente en función de consideraciones pragmáticas, como la disponibilidad del proveedor, la conveniencia o la especialidad autoinformada). El único criterio de exclusión de pacientes serán las personas que no sean las principales responsables de la toma de decisiones sobre su atención. Por lo tanto, los pacientes presentarán una multitud de problemas en un espectro de diagnósticos. Con la asignación del terapeuta como única manipulación, los terapeutas participantes tratarán a los pacientes de forma totalmente natural. Los resultados del tratamiento se evaluarán regularmente a través de la terminación mutua o hasta 16 semanas. Los análisis primarios incluirán modelos lineales jerárquicos para examinar tasas comparativas y patrones de cambio en los resultados.