Datatieteen käyttäminen potilaan näkökulmien keskittämiseen mekanismien löytämisessä (CPP)

Kustannustehokkaiden, uusien, skaalautuvien traumakeskeisten interventioiden kysyntä on korkea. Posttraumaattisen stressihäiriön (PTSD) ja monimutkaisen PTSD:n esiintyvyyden USA:n yhteisön mielenterveysklinikoilla arvioidaan olevan jopa 50 %. Silti vasteiden heterogeenisuus PTSD-interventioihin on edelleen korkea, ja vastausprosentti on 50–60 % ja perinteisten interventioiden (eli kognitiiviset käyttäytymishoidot, altistusterapiat) keskeyttämisaste on 30–40 %. Lisäksi tutkimuspopulaatioille tyypillisissä vaiheittaisissa, tehokkuuteen perustuvissa kliinisissä tutkimustutkimuksissa on usein ominaista tiukat poissulkemiskriteerit ja alhainen edustus aliedustetuista yhteisöistä. Tehokkuuteen perustuvien tutkimuspopulaatioiden homogeenisuus luo epätäydellisen kuvan erityisesti julkisella sektorilla ja yhteisöllisissä mielenterveyslaitoksissa. Tutkimukset ovat osoittaneet, että tämä homogeenisuus ei ainoastaan ​​rajoita tehokkuutta eri väestöryhmissä, vaan se voi osaltaan pahentaa terveyseroja.

Potilaiden näkökulmien mukaan ottaminen on tutkimukselle ratkaisevan tärkeää, koska se voi antaa käsityksen vasteiden heterogeenisyydestä ja sitoutumisesta, mikä johtaa viime kädessä mekanismien ymmärtämiseen ja potilaskeskeisempien interventioiden luomiseen. Eräs tapa keskittää potilaan ääni ja lisätä mahdollisuuksia tunnistaa ainutlaatuisia muutosmekanismeja uuteen terapiaan on käyttää laadullisia haastatteluja, koska se pääsee suoraan koettuun kokemukseen ja sen kontekstiin. Huolimatta laadullisten tietojen hyödyntämisestä vaiheittain satunnaistetuissa kontrollikokeissa saatavista mahdollisista eduista, useita esteitä on edelleen olemassa, mukaan lukien resurssirajoitukset, kyvyttömyys mitata interaktiivisia elementtejä ja huoli kerätyn tiedon käytännön arvosta. Innovatiiviset menetelmät, jotka poimivat luotettavasti ja nopeasti arvokuormitettuja, relevantteja teemoja ja erottavat ei-verbaaliset keskusteluelementit, voivat helpottaa potilaiden kokemusten integroimista ja heidän näkökulmiensa sisällyttämistä kliinisiin interventiotutkimuksiin.

Tämän yhden käden tutkimuksen tavoitteena on arvioida luonnollisen kielen käsittelyn (NLP) ja syväoppimisen käyttökelpoisuutta potilashaastattelujen perusteella tunnistaa mahdolliset PTSD-oireiden muutoksen mekanismit. Tutkimuksessa hyödynnetään meneillään olevia kohortteja kliinisestä palvelusta, joka tarjoaa IFS-mallia käyttävän 16 viikon live-online ryhmäterapiamallin (ja siihen liittyvät yksittäiset terapiaistunnot), nimeltään Trauman ja stressin lievitys- ja ratkaisuohjelma (PARTS). Tutkijat kehittävät konvergentin sekamenetelmien lähestymistapaa soveltaen koneoppimista ja luonnollisen kielen käsittelyä malleja, jotka tunnistavat mahdollisia muutosmekanismeja.

Analyysi: Käytämme useita eri menetelmiä kehittääksemme mallejamme, mukaan lukien piilevä Dirichlet-allokaatio, esikoulutetut kielimallit, siirto-oppiminen (toistuvat hermoverkot, generatiivinen kontradiktorinen verkko) ja rangaistuksiin perustuvat regressiopohjaiset mallit. Näissä malleissa käytetään psykologisen muutoksen potilaiden näkökulmasta saatua tietoa, joka on ilmaistu haastatteluissa, ja niitä verrataan kliinisistä mittareista johdettuihin malleihin. Käytämme standardien suorituskykymittareita ja ristiinvalidointipisteitä arvioidaksemme mallien vertailua. Tutkivana tavoitteena arvioimme mahdollisuutta käyttää kielenkäsittelymalleista johdettuja ominaisuuksia ja kliinisiä toimenpiteitä ennakoimaan yksittäisiä hoitokäyntejä intervention jälkeen. Tutkimusaineisto sisältää myös jäsenneltyä kliinistä tietoa, terveyden sosiaalisia tekijöitä ja terapiaan perustuvaa käyttöä (päivämäärät, palveluntarjoajan tyyppi, pituus).

Odotetut tulokset: Kahden validoidun mallin kehittäminen: toinen potilashaastattelutiedoista ja toinen kliinisiin toimenpiteisiin perustuvien muutosmekanismien kokonaisvaltaiseksi tunnistamiseksi PTSD:n ryhmäpohjaisista IFS-hoitomalleista.