Lisää sitoutumista digitaaliseen mielenterveyshuoltoon

Digitaalinen mielenterveys (DMH) on teknologian käyttöä väestön hyvinvoinnin parantamiseksi nopean sairauksien havaitsemisen, tulosmittauksen ja hoidon avulla. Vaikka useat satunnaistetut kliiniset tutkimukset ovat osoittaneet, että digitaaliset mielenterveystyökalut ovat erittäin tehokkaita, useimmat kuluttajat eivät kestä näiden työkalujen käyttöä. Alalta puuttuu tällä hetkellä ymmärrys DMH-työkalujen sitoutumisesta, miten sitoutuminen liittyy hyvinvointiin ja mitkä käytännöt ovat tehokkaita sitoutumisen ylläpitämisessä. Tässä Mental Health American (MHA), Talkspacen (TS) ja Washingtonin yliopiston (UW) välisessä yhteistyössä tutkijat ehdottavat naturalistista ja kokeellista, teorialähtöistä tutkimusohjelmaa, jonka tavoitteena on ymmärtää 1) kuinka kuluttaja sitoutuu oma- ja lääkäriavusteinen DMH vaihtelee ja millaisia ​​sitoutumismalleja on olemassa, 2) sitoutumismallien ja tärkeiden kuluttajatulosten välinen yhteys ja 3) henkilökohtaisten strategioiden tehokkuus optimaalista sitoutumista DMH-hoitoon.

Tässä tutkimuksessa seurataan laajaa, naturalistista otosta MHA- ja TS-kuluttajista, ja siinä sovelletaan koneoppimista, käyttäjäkeskeisiä suunnittelustrategioita ja mikrosatunnaistettuja ja peräkkäisiä satunnaistettuja (SMART) -kokeita. Kuten molemmilla alustoilla on tapana, kuluttajat suorittavat verkossa mielenterveysseulonnan ja -arvioinnin, ja tutkijat voivat luokitella osallistujat sairauden tilan ja oireiden vakavuuden mukaan. Diagnoosi tai rinnakkaissairaudet eivät rajoita näytettä, jonka kanssa tutkijat työskentelevät. Osallistujat ovat vähintään 10-vuotiaita ja pääsevät MHA- ja TS-alustoille 4 vuoden iässä. Ensimmäisen tavoitteen testaamiseksi tutkijat tunnistavat vähintään 100 000 kuluttajaa, jotka ovat käyttäneet MHA- ja TS-alustoja aiemmin. Osallistujien tiedot analysoidaan tilastollisesti, jotta saadaan selville erot sitoutumisessa ja keskeyttämisessä ryhmien välillä väestörakenteen, oireiden ja alustan aktiivisuuden perusteella. Tavoitteessa 2 tutkijat käyttävät valvottuja koneoppimistekniikoita tunnistaakseen alatyypit, jotka perustuvat kuluttajien demografisiin tietoihin, sitoutumismalleihin DMH:n kanssa, irrottamisen syihin, olemassa olevien MHA- ja TS-sitoutumisstrategioiden onnistumiseen sekä tyytyväisyyteen DMH-työkaluihin, jotka ennustavat tulevaisuutta. sitoutumismallit. Lopuksi tavoitteen 2 tulosten perusteella tavoitteessa 3 tutkijat järjestävät kohderyhmiä, jotka käyttävät käyttäjäkeskeisiä suunnittelustrategioita tunnistaakseen ja yhdessä rakentaakseen mahdollisesti tehokkaita sitouttamisstrategioita tietyille asiakasalatyypeille. Tämän jälkeen tutkijat suorittavat sarjan mikrosatunnaistettuja ja SMART-kokeita selvittääkseen, mitkä teorialähtöiset sitoutumisstrategiat, jotka on suunniteltu yhdessä käyttäjien kanssa, sopivat parhaiten tavoitteen 2 mukaisesti kehitettyihin alatyyppeihin. Tutkijat testaavat näiden strategioiden tehokkuutta. 1) estää irrottautumista niiltä, ​​joilla on todennäköisemmin huonoja tuloksia irrottamisen jälkeen, 2) parantaa liikkumista motivaatiosta tahtoon ja 3) parantaa optimaalista annosta DMH-sitoutumista ja siten parantaa mielenterveystuloksia. Nämä tiedot analysoidaan käyttämällä pitkittäisiä sekavaikutusmalleja vaikutuskoodauksella, jotta voidaan arvioida kunkin strategian tehokkuus asiakkaiden sitoutumiskäyttäytymiseen ja mielenterveystuloksiin.