Strategie digitali per promuovere la ricerca di aiuto - Obiettivo 3

Questa proposta mira a istituire un laboratorio digitale focalizzato sulla promozione della ricerca di aiuto e sull’accelerazione dell’inizio del trattamento nei giovani (di età compresa tra 13 e 26 anni) che si trovano ad alto rischio clinico (CHR) per lo sviluppo di psicosi. Nonostante l’implementazione di servizi di intervento precoce basati sull’evidenza negli Stati Uniti, i giovani CHR aspettano mesi o anni tra la comparsa dei sintomi e il ricevimento delle cure, con risultati significativamente peggiori. Le attuali strategie di identificazione della CHR si basano su risorse costose, inefficienti e obsolete. Gli sforzi globali volti ad accelerare l’inizio del trattamento tra i giovani CHR hanno catalizzato una domanda senza precedenti di soluzioni sanitarie digitali innovative volte ad aumentare l’accesso alle opzioni terapeutiche disponibili ed efficaci. La ricerca online rappresenta uno dei primi passi proattivi verso l’inizio del trattamento, tuttavia pochissime ricerche fino ad oggi hanno informato il modo migliore per supportare i giovani CHR mentre si impegnano nei primi passi critici di ricerca di aiuto online verso la cura.

Per colmare questa lacuna di conoscenze, questo studio prevede una partnership tra Mental Health America (MHA), la più grande organizzazione online di screening e patrocinio della salute mentale al mondo, Strong365, un hub di risorse online dedicato all'educazione alla psicosi precoce e alla navigazione nella cura, Accelerating Medicines Partnership - Schizophrenia (AMP-SCZ), una rete di programmi CHR finanziata dall'NIH negli Stati Uniti e quattro partner accademici con esperienza nella valutazione e gestione dei giovani CHR (Columbia, UCSF, UCD) online screening della psicosi e navigazione nella cura (Columbia, UCD) e impegno digitale nella salute mentale (UW, Columbia). Basandosi sulla partnership di ricerca di MHA incentrata sul coinvolgimento digitale della salute mentale (R01MH125179), questo approccio sfrutta il modello HAPA (Health Action Process Approach), che descrive come gli individui passano dall'intenzione all'azione quando considerano il cambiamento comportamentale. Questo studio caratterizzerà innanzitutto i sottotipi di ricerca di aiuto in 25.000 giovani che ottengono un punteggio superiore alla soglia di rischio di psicosi nel questionario prodromico (PQ-B), sulla piattaforma di screening nazionale dell'MHA. Successivamente, i ricercatori utilizzeranno questo ampio set di dati per stabilire il punteggio PQ-B più efficace nell'identificare i giovani CHR online, dato che il rischio di falsi positivi può essere più elevato nell'autoscreening online e che le soglie ottimali possono variare a seconda della prevalenza del campione , popolazione e ambiente. Gli investigatori svilupperanno e testeranno quindi in modo iterativo la teoria e le strategie digitali basate sui dati utilizzando una serie di micro studi randomizzati (MRT) progettati per far avanzare la ricerca di aiuto nei giovani CHR dalla pre-intenzione all'intenzione, dall'intenzione all'azione e dall'azione al super -azione coinvolgendo direttamente i meccanismi target HAPA: autoefficacia, bisogni/rischi percepiti e aspettative di risultato. Gli obiettivi e le ipotesi specifici includono:

Obiettivo 1: caratterizzare i modelli di ricerca di aiuto in 25.000 giovani che ottengono un punteggio superiore alla soglia PQ-B. H1a: I giovani si raggrupperanno in (1) pre-intendenti (prenderanno il PQ-B e si impegneranno con i contenuti educativi), (2) intenditori (avvieranno uno scambio di testi con un peer navigator Strong365) (3) attori (passano dagli SMS alla valutazione clinica con un medico Strong365 al telefono/video) e (4) super-attori (avanzamento dalla valutazione all'assunzione di AMP-SCZ). I dati includeranno metadati online (tempo trascorso online, numero di risorse visualizzate, tempo impiegato per completare il PQ-B, numero di testi iniziati/scambiati), auto-segnalazione (dati demografici, tipo e gravità dei sintomi, punteggio PQ-B, obiettivi/ bisogni, autoefficacia) e linguaggio naturale. H1b (solo Strong365): l'elaborazione del linguaggio naturale (NLP) dei dati estratti dalle interazioni partecipante/fornitore su testo e video identificherà i marcatori linguistici delle fasi HAPA: intendente, attore, super-attore. I modelli basati sulle fasi HAPA, insieme alle caratteristiche comportamentali (ad esempio, tempistica dei messaggi, frequenza, ritardo nella risposta) prediranno l'avanzamento nella ricerca di aiuto rispetto al disimpegno. Le principali funzionalità predittive verranno utilizzate per informare l'elaborazione di strategie di avanzamento nella ricerca di aiuto da testare negli MRT (Obiettivo 3).

Obiettivo 2: Per garantire che coloro che completano il PQ-B siano indirizzati in modo appropriato, questo studio stabilirà la soglia più accurata per identificare CHR online. H2: Utilizzando i dati dello screening PQ-B basato sulla popolazione, i ricercatori prevedono che un punteggio di disagio totale pari a 20+ genererà l'odds ratio diagnostico più elevato con una sensibilità online di almeno l'80%, come determinato dalla valutazione clinica remota. Per il resto dello studio verrà utilizzato il punteggio soglia che massimizza la specificità e la sensibilità.

Obiettivo 3: Sviluppare, testare e selezionare iterativamente le strategie di avanzamento nella ricerca di aiuto più efficaci utilizzando le MRT in 25.000 giovani, in 3 punti temporali lungo il percorso di cura quando i giovani hanno maggiori probabilità di disimpegnarsi (dopo il completamento del PQ-B, pubblicare messaggi di testo con un peer navigator, valutazione clinica post remota). H3a: Le strategie digitali sulla pagina dei risultati PQ-B faranno avanzare i giovani dal solo screening online all'invio di messaggi di testo (da pre-intendente a intendente). Le strategie per migliorare l’autoefficacia nei compiti e le aspettative di risultato saranno più efficaci delle informazioni post-screening come al solito. H3b: Le strategie digitali automatizzate fornite tramite testo faranno avanzare i giovani dagli SMS alla valutazione clinica remota (dall'intendente all'attore). Le strategie per migliorare l’autoefficacia nei compiti e le aspettative sui risultati saranno più efficaci dei messaggi di controllo. H3c: le strategie digitali automatizzate fornite tramite testo faranno avanzare i giovani dalla valutazione all'assunzione di AMP-SCZ e all'inizio del trattamento, quando indicato (da attore a super-attore). Le strategie per migliorare l’autoefficacia nel mantenimento e nel recupero saranno più efficaci dei messaggi di controllo.