一般的な精神障害に対するオンライングループ心理療法介入の試験 (UpLift-X)

完全な統計解析計画を含む研究プロトコルは事前登録され、2024 年 10 月 4 日にオープン サイエンス フレームワークで一般公開されました (こちらから入手可能 - https://osf.io/vup9c/)。

英国における不安とうつ病に対する国民保健サービス (NHS) のトーキング・セラピー (NHS-TT) サービス (以前は IAPT サービスとして知られていた) を対象とした、実用的な複数施設のクラスター要因ランダム化比較試験。 統一プロトコルに基づいたデジタル対応の「UPLift」グループ介入は、国のガイドラインに従ってNHS-TTサービスで高強度の認知行動療法（CBT）を受ける資格がある一般的な精神障害（および併存疾患）の患者が利用できるようになります。 （国立精神保健協力センター、2024）。 統一プロトコルは、うつ病、不安、身体表現性症状、解離性症状がよく併発することを考慮して、幅広い感情障害に関連するように設計された診断を超えた治療法です。 これはCBTと感情制御理論に基づいており、一連の感情制御スキルを患者が適用できるようにサポートすることを目的としています。このスキルは、さまざまな精神的健康上の問題の根底にある、中核となる共通の脆弱性（神経症的傾向、認識されたコントロールの低さ、脅威の過大評価）をターゲットとしています。 このプロトコールは倹約の原則に従っており、さまざまな症状や問題の組み合わせを持つ最大数の患者にとって利用しやすく、複雑でなく、効果的なものとなる経験的に検証された最小限の技術が含まれています。 コンテンツは 8 つのモジュールで構成され、毎週 12 回の 1.5 時間のセッションでオンライン配信され、インターネット ベースのリソース (自己モニタリング アンケート、心理教育ビデオ、各モジュールに関連付けられたスキルの実践) と、認定された認知行動専門家によるグループ療法セッションの組み合わせが含まれます。セラピスト。

ランダム化の単位 (クラスター) は、参加している各 NHS-TT サービスになります。 NHS トラストは、1 つまたは複数の NHS-TT サービスを管理する広範な組織であるため、ランダム化の単位はローカル チームです。 同じ地域サービスで治療されるすべての患者は、同じクラスターのメンバーになります。 参加サービスは 5 つのアームのいずれかにランダムに割り当てられます。 各アームには同じ 12 セッションのオンライン グループ統一プロトコル治療が含まれますが、順序は異なります。 最初の 2 つのモジュールは介入の開始時に固定されたままになります。これらの導入セッションは、すべての患者を治療に向けて方向転換し、まとまりのあるグループ プロセスを確立するために必要であるためです。 同様に、最後のモジュールはすべての対処スキルの全体的なレビューを含み、再発予防に焦点を当てているため、介入の最後に修正されます。 中間のモジュールは特定の感情調節スキルをカバーしており、個人化に最も適しています（たとえば、特定の患者に対して多かれ少なかれ効果があるものもあります）。 これらの処方モジュールは、各治験部門にわたって異なる順序で提供されます。

参加者は、研究開始時のベースライン測定、各セッション前の毎週の症状転帰測定、治療後（セッション 12）および 6 か月の追跡調査を完了します。 主要アウトカムは、患者健康質問票-9 (PHQ-9; うつ病)、全般性不安障害-7 スケール (GAD-7; 不安)、および仕事と社会的適応からの項目をプールした複合スコアに基づく、否定的な感情性 (NA) となります。スケール (WSAS; 機能)。 副次的アウトカムは、生活の質（EuroQol - 5 次元; EQ5D）、幸福度（ワーウィックおよびエディンバラ精神的幸福度スケール; WEMWBS）、および治療からの脱落となります。

研究者はまた、臨床試験期間中に参加サービスで個別に提供されるCBTにアクセスするすべての患者の匿名化された臨床健康記録を収集します。 これらのデータには、人口統計、臨床ケア、臨床転帰が含まれます。 これにより、研究者は、統計解析計画に記載されている症例と対照のマッチング戦略を使用して、臨床効果と費用効果の比較を行うことができます。

統計分析計画は、研究の各目的に関連付けられた 3 つの段階で実行されます。

目的 1: 異なる UP モジュール シーケンスの結果を比較する これが主要な分析となり、これに基づいてサンプル サイズが計算されます。 従属変数に治療後 (12 回目のセッション) データポイントが欠落しているケースは、すべてのベースライン変数を予測子として使用する MissForest R パッケージを使用して代入されます。 代入は各試験群に対して個別に実行されます。 分析では、線形マルチレベル (混合効果) モデルが適用されます。このモデルでは、患者がグループ内にネストされ、グループ レベルのランダム効果が入力されます。 従属変数は治療後の陰性感情 (NA) スコアとなり、独立変数として試験群に入り、ベースライン NA を制御します。 モデルは連続したステップで開発され、各モデル化ステップの後にモデル適合指数 (AIC、BIC、-2LL) が検査されます。 研究者は、-2 対数尤度比検定を使用してモデルを比較することにより、この段階的なプロセスを通じて得られた最適かつ最も節約されたモデルを保持して解釈します。 クラスター内相関係数 (ICC) は、グループレベルに起因する治療結果のばらつきの指標として報告されます。 グループ間の効果サイズ (コーエンの d) が計算され、コントラストごとに報告されます (標準 UP シーケンスと他のシーケンスなど)。

二次分析: 上記の分析計画は、従属変数としてドロップアウトを持つロジスティック多レベル モデルを使用して繰り返されます。 ドロップアウト変数は、グループ療法出席記録から導出されます。セッションの半分以上 (6 回以上) に出席した症例は参照カテゴリー (コード = 0) にグループ化され、参加回数が半分未満 (5 以下) の症例は分類されます。ドロップアウトしたケースとして (コード = 1)。

目標 2: パーソナライズされたモジュール選択方法を開発する 従属変数にデータポイントが欠落しているケースは、すべてのベースライン変数を予測子として使用する MissForest R パッケージを使用して代入されます。トレーニング/検証パーティション内および各試験アーム内で個別の代入が行われます。 信頼できる改善 (RI) とは、2 つの時点間の症状の重症度の減少を指します。これは、心理測定の尺度の信頼できる変化指数よりも大きい値です。 この定義に従って、調査員は、規範的な統一プロトコル モジュールにさらされた後に信頼性の高い改善があった (コード = 1) か、しなかった (コード = 0) かを示すバイナリ変数を使用して症例を分類します。 このコード化により、対象モジュールがグループ介入のどこに位置しているか（介入の開始、中間、終了など）に関係なく、各対象モジュールへの曝露後に信頼性の高い症状の改善が見られる症例を特定することが可能になります。に割り当てられています。 この方法論により、研究者はシーケンス効果と早期反応効果を制御し、特定の各モジュールに対して良好な反応を示した患者のプロファイルを特定できるようになります。

サンプルの分割: 完全なトライアル サンプルは、60:40 の分割を使用して、トレーニングと検証のサブセットにランダムに分割されます。各トレーニング パーティション分割では、5 つのトライアル アームのそれぞれからバランスの取れた数が得られます。 これにより、教師あり機械学習を使用して信頼性の高い臨床予測モデルをトレーニングするために必要な最小サンプル サイズ 300 を超える、396 のケースがトレーニング パーティションにランダムに選択されることが保証されます。

モデルの開発と最適化 (トレーニング パーティション内): 研究者は、規範的な UP モジュールごとに 1 つずつ、合計 5 つの機械学習予測モデルを作成します。 トレーニングされた各モデルは入力 (患者のベースライン特徴) を処理し、[a] 予測分類と [b] 分類に関連する対応する予測確率を出力します。 これらのアルゴリズムのロジックは、次の質問に答えることです。これらの患者の特徴を考慮すると、この特定の患者がモジュール X にアクセスした後に確実な改善を経験する可能性はどのくらいですか?相互検証戦略 (検証サンプル内): 機械学習モデルの統計的精度と臨床的有用性は、アルゴリズムの予測と観察された結果を比較し、最初に最適なモジュールを受け取った患者の結果を比較することによって、検証戦略で評価されます。そうしなかった患者さんへ。

二次分析: 上記の機械学習分析と相互検証戦略を繰り返して、ドロップアウトを従属変数としてバイナリ分類器をトレーニングします。 ドロップアウト変数は、グループ療法出席記録から導出されます。セッションの半分以上 (6 回以上) に出席した症例は参照カテゴリー (コード = 0) にグループ化され、参加回数が半分未満 (5 以下) の症例は分類されます。ドロップアウトしたケースとして (コード = 1)。

目的 3: デジタル対応の UP グループ療法と個別の CBT の有効性を評価する この分析には、[a] UP プロトコルが標準的な順序で実施された群にランダムに割り当てられた臨床試験参加者のサブグループ、および [b] が含まれます。 ] 参加している NHS-TT サービスで個別の高強度 CBT を利用した患者の一致するサンプル。 個々の CBT ケースのデータは電子医療記録からサンプリングされます。 リストされている試験の組み入れ基準を満たすCBT症例は、この分析のために選択されます。これには、主要な問題が臨床記録で特定可能であり、最初の時点でベースライン重症度スコア（PHQ-9、GAD-7、WSAS）が入手可能な症例のみが含まれます。 CBTセッションに参加しました。 従属変数に治療後 (最後に参加したセッション) データポイントが欠落しているケースは、すべての共変量を予測子として使用する MissForest R パッケージを使用して代入されます。 インピュテーションは各グループに対して個別に実行されます (個別の CBT、標準的な UP グループ療法)。 治療後の臨床転帰（NA スコア）は、標準的なグループ UP プロトコルにアクセスした症例と個別の CBT 症例の間で、治療への非ランダム割り当ての調整と共変量調整回帰モデルを組み合わせた二重ロバスト推定を使用して比較されます。介入への曝露の因果的影響。

二次分析: 上記の分析を繰り返して、関連する診断を持つ症例について疾患固有の尺度 (PHQ-9、GAD-7、ADSM) を使用して転帰を比較します。 グループ間の効果サイズ (コーエンの d) が計算され、比較ごとに報告されます。

医療経済分析: NHS と個人社会サービスの観点から経済分析が行われます。 費用対効果分析では、治療後（最後に参加したセッション）を使用して、生活の質の尺度として質調整生存年数（EQ-5D アンケートから導出された QALY、および英国の公的価値セットに基づく料金）が使用されます。一次解析では NA スケールのデータ、二次解析では 3 か月の追跡データ。 医療および社会サービスのリソース使用量は、NHS 参照コストと個人および社会サービスのリソース使用データベース (PSSRU) を使用して評価されます。 研究者は、ブートストラップを使用して信頼区間を推定し、グループ療法と個人の CBT の増分費用効果比を推定します。 意思決定の不確実性は、費用対効果の許容曲線上に表示されます。 リソースの使用量と単価については、追加の感度分析が行われます。 感度分析により、ベースラインコストが管理されます。 シナリオ分析では、別の原価計算の観点を探ります。つまり、NHS と NHS/PSS の観点です。 費用対効果分析の結果は、2022 年統合医療経済評価報告基準に従って報告されます。