データサイエンスを使用してメカニズムの発見において患者の視点を中心にする (CPP)

費用対効果が高く、新規で拡張性があり、トラウマに焦点を当てた介入に対する需要は高いです。 米国の地域精神保健クリニックにおける心的外傷後ストレス障害 (PTSD) および複雑性 PTSD の有病率は 50% にも上ると推定されています。 しかし、PTSD介入に対する反応の不均一性は依然として高く、無反応率は50〜60％に達し、従来の介入（認知行動療法、暴露療法など）の脱落率は30〜40％に達しています。 さらに、典型的な段階的で有効性を重視した臨床研究試験における研究対象集団は、多くの場合、厳格な除外基準と過小評価されたコミュニティからの代表が少ないという特徴があります。 有効性に基づく研究対象集団の均質な性質は、特に公共部門や地域ベースの精神保健施設において、不完全な全体像を生み出しています。 研究では、この均一性が多様な集団間の有効性を制限するだけでなく、健康格差の悪化に寄与する可能性があることを示唆しています。

患者の視点を取り入れることは、研究にとって極めて重要です。なぜなら、それによって反応の不均一性と関与についての洞察が得られ、最終的にはメカニズムの理解と、より患者中心の介入の創出につながるからです。 患者の声を中心に据え、新しい治療法に特有の変化メカニズムを特定する可能性を高める 1 つの方法は、定性的インタビューを使用することです。これは、実際の経験とその背景に直接アクセスできるためです。 段階的ランダム化比較試験で定性データを利用することには潜在的な利点があるにもかかわらず、リソースの制約、インタラクティブな要素を定量化できないこと、収集された情報の実際的な価値に関する懸念など、いくつかの障害が依然として存在します。 価値を秘めた関連テーマを確実かつ迅速に抽出し、非言語的会話要素を識別する革新的な方法は、臨床介入試験における患者体験の統合と患者の視点の組み込みを促進する可能性があります。

この単一群研究は、自然言語処理 (NLP) と深層学習を使用して、患者の面接から PTSD 症状変化の潜在的なメカニズムを特定する実現可能性を評価することを目的としています。 この研究では、IFSモデルを使用するトラウマとストレスの緩和と解決のためのプログラム（PARTS）と呼ばれる、16週間のライブオンライングループ療法モデル（および補助的な個別療法セッション）を提供する臨床サービスからの進行中のコホートを利用します。 研究者らは、機械学習と自然言語処理を適用した収束混合手法アプローチを使用して、潜在的な変化のメカニズムを特定するモデルを開発します。

分析: 潜在ディリクレ配分、事前トレーニング済み言語モデル、転移学習 (リカレント ニューラル ネットワーク、敵対的生成ネットワーク)、ペナルティ付き回帰ベースのモデルなど、いくつかの異なる方法を使用してモデルを開発します。 これらのモデルは、インタビューで表現された心理的変化についての患者の視点から得られたデータを使用し、臨床測定から得られたモデルと比較されます。 標準のパフォーマンス指標と相互検証スコアを使用して、モデルの比較パフォーマンスを評価します。 探索的な目的として、言語処理モデルと臨床測定から得られた特徴を使用して、介入後の個別の治療訪問を予測する実現可能性を評価します。 探索的データには、構造化された臨床データ、健康の社会的決定要因、および治療ベースの利用 (日付、プロバイダーの種類、期間) も含まれます。

期待される結果: 2 つの検証済みモデルの開発: 1 つは患者のインタビューデータから導き出され、もう 1 つは PTSD に対する IFS のグループベースの治療モデルからの変化のメカニズムを包括的に特定するための臨床測定に基づいています。