Efficacia dell'Applicazione Safe Haven (App) tra gli Studenti Universitari

Contesto: Gli studenti universitari affrontano un periodo di transizione critico caratterizzato da fattori di stress significativi e un'elevata prevalenza di problemi di salute mentale. Tuttavia, i comportamenti di ricerca di aiuto rimangono bassi a causa dello stigma e delle barriere strutturali. Sebbene le app di salute mobile (mHealth) offrano una soluzione scalabile, gli interventi esistenti spesso si basano su contenuti statici e mancano di una risposta in tempo reale agli stati psicologici fluttuanti degli studenti. Questo studio introduce "Safe Haven", un sistema di intervento adattivo just-in-time (JITAI) che integra l'automonitoraggio con la stratificazione del rischio per fornire un supporto personalizzato. Questo studio mira a valutare l'efficacia dell'app Safe Haven nella riduzione del disagio psicologico e nel miglioramento dell'alfabetizzazione sulla salute mentale rispetto alla sola assistenza standard del campus.

Disegno dello studio: Questo studio utilizza uno studio controllato randomizzato (RCT) parallelo a due bracci. Verranno reclutati un totale di 68 studenti universitari idonei di un'università nazionale nel sud di Taiwan. Dopo aver completato le valutazioni basali (T0), i partecipanti verranno randomizzati in un rapporto 1:1 al Gruppo Sperimentale o al Gruppo di Controllo in lista d'attesa.

Dettagli dell'intervento

Gruppo Sperimentale (App Safe Haven + TAU): I partecipanti di questo gruppo avranno accesso all'app Safe Haven per una durata di 3 mesi, oltre a mantenere pieno accesso ai servizi standard di consulenza e salute mentale del campus (Trattamento Consueto, TAU). L'app Safe Haven include cinque componenti principali:

1. Tracciamento dell'Umore e del Sonno Visualizza le tendenze longitudinali nei report giornalieri di umore e sonno e nei punteggi delle valutazioni psicologiche settimanali per supportare l'automonitoraggio e la consapevolezza di sé.
2. Raccolta Dati di Fenotipizzazione Digitale Raccoglie dati attivi di auto-segnalazione e dati passivi opzionali sulla mobilità per supportare il monitoraggio in tempo reale e la previsione del rischio per la salute mentale.
3. Sistema di Assistenza Graduata Stratificata per Rischio Utilizza l'apprendimento automatico per classificare gli utenti in cinque livelli di rischio per la salute mentale, ciascuno collegato a un protocollo di intervento graduato che va dal supporto all'autogestione alla risposta alle emergenze.
4. Supporto Just-in-Time Basato su Chatbot Fornisce supporto emotivo in tempo reale tramite un chatbot AI monitorando gli input dell'utente per indicatori di alto rischio e attivando protocolli di emergenza quando rilevati.
5. Moduli di Psicoeducazione Fornisce contenuti psicoeducativi animati con brevi quiz e un sistema di ricompensa gamificato, insieme a informazioni sulle risorse di salute mentale del campus e della comunità.

Gruppo di Controllo in lista d'attesa (Solo TAU): I partecipanti di questo gruppo manterranno l'accesso ai servizi standard di consulenza e salute mentale del campus (TAU) ma non avranno accesso all'app Safe Haven durante il periodo di intervento di 3 mesi. Per garantire standard etici, a questi partecipanti verrà offerto l'accesso all'app Safe Haven dopo aver completato la valutazione di follow-up finale (T2).

Procedure dello Studio La raccolta dati avverrà in tre momenti:

1. Basale (T0): Al momento del reclutamento e prima della randomizzazione.
2. Post-Intervento (T1): Immediatamente dopo il periodo di intervento di 3 mesi. I partecipanti del gruppo sperimentale completeranno anche la System Usability Scale (SUS) in questo momento.
3. Follow-Up (T2): 3 mesi dopo la conclusione dell'intervento.

Misure di Esito Gli esiti primari sono i cambiamenti nel disagio psicologico generale (misurato da CHQ-12) e nei sintomi di depressione, ansia e stress (misurati da DASS-21). Gli esiti secondari includono i cambiamenti nell'alfabetizzazione sulla salute mentale (misurata da MHLS-HPG) e l'adesione all'intervento (misurata dai log di utilizzo dell'app e dai punteggi SUS).

Piano di Analisi Statistica I dati verranno analizzati utilizzando IBM SPSS Statistics. L'analisi primaria seguirà il principio Intention-to-Treat (ITT). Le equazioni di stima generalizzate (GEE) verranno utilizzate per esaminare i cambiamenti longitudinali e testare l'effetto di interazione Gruppo × Tempo sulle misure di esito. I modelli GEE verranno aggiustati per i punteggi basali delle rispettive variabili di esito. Inoltre, qualsiasi caratteristica demografica che mostri differenze statisticamente significative tra i gruppi al basale verrà inclusa come covariate. Per il gruppo sperimentale, ulteriori analisi esamineranno l'associazione tra metriche oggettive di adesione (ad esempio, tassi di completamento) e miglioramenti clinici per determinare relazioni dose-risposta.