セーフヘブンアプリケーション（アプリ）の大学生における有効性

背景: 大学生は、重要なストレッサーと高いメンタルヘルス問題の有病率によって特徴づけられる重要な移行期に直面しています。 しかし、スティグマや構造的障壁のため、ヘルプシーキング行動は依然として低いままです。 モバイルヘルス（mHealth）アプリはスケーラブルな解決策を提供しますが、既存の介入はしばしば静的なコンテンツに依存し、学生の変動する心理状態に対するリアルタイムの応答性が欠如しています。 本研究では、自己モニタリングとリスク層別化を統合し、個別化された支援を提供する「セーフヘイブン」というジャストインタイム適応的介入（JITAI）システムを紹介します。 本研究の目的は、セーフヘイブンアプリが、標準的なキャンパスケア単独と比較して、心理的苦痛を軽減し、メンタルヘルスリテラシーを向上させる効果を評価することです。

研究デザイン: 本研究は、並行群、二群ランダム化比較試験（RCT）を採用します。 台湾南部の国立大学から合計68人の適格な大学生を募集します。 ベースライン評価（T0）を完了した後、参加者は1:1の比率で実験群または待機対照群にランダム化されます。

介入の詳細

実験群（セーフヘイブンアプリ + TAU）: この群の参加者は、標準的なキャンパス内カウンセリングおよびメンタルヘルスサービス（通常治療、TAU）への完全なアクセスを維持することに加えて、3か月間セーフヘイブンアプリへのアクセスを受けます。 セーフヘイブンアプリは、以下の5つの主要コンポーネントを含みます：

1. 気分と睡眠の追跡: 日々の気分と睡眠報告、および週次心理評価スコアの経時的傾向を可視化し、自己モニタリングと自己認識を支援します。
2. デジタルフェノタイピングデータ収集: 能動的な自己報告データとオプションの受動的移動データを収集し、リアルタイムモニタリングとメンタルヘルスリスク予測を支援します。
3. リスク層別化段階的ケアシステム: 機械学習を使用してユーザーを5つのメンタルヘルスリスクレベルに分類し、それぞれが自己管理支援から緊急対応までの段階的介入プロトコルにリンクされます。
4. チャットボットベースのジャストインタイムサポート: AIチャットボットを介してリアルタイムの感情的サポートを提供し、ユーザー入力における高リスク指標を監視し、検出された場合には緊急プロトコルを起動します。
5. 心理教育モジュール: 短いクイズとゲーミフィケーション報酬システムを備えたアニメーション心理教育コンテンツを提供し、キャンパスおよび地域社会のメンタルヘルスリソースに関する情報を提供します。

待機対照群（TAUのみ）: この群の参加者は、標準的なキャンパス内カウンセリングおよびメンタルヘルスサービス（TAU）へのアクセスを維持しますが、3か月の介入期間中はセーフヘイブンアプリにアクセスしません。 倫理的基準を確保するため、これらの参加者は最終追跡評価（T2）を完了した後にセーフヘイブンアプリへのアクセスを提供されます。

研究手順: データ収集は3つの時点で行われます：

1. ベースライン（T0）: 募集時およびランダム化前。
2. 介入後（T1）: 3か月の介入期間直後。 実験群参加者は、この時点でシステム使用性尺度（SUS）も完了します。
3. 追跡（T2）: 介入終了後3か月。

アウトカム指標: 主要アウトカムは、一般的な心理的苦痛（CHQ-12で測定）および抑うつ、不安、ストレスの症状（DASS-21で測定）の変化です。 副次アウトカムには、メンタルヘルスリテラシーの変化（MHLS-HPGで測定）および介入エンゲージメント（アプリ使用ログおよびSUSスコアで測定）の変化が含まれます。

統計解析計画: データはIBM SPSS Statisticsを使用して分析されます。 主要分析は、Intention-to-Treat（ITT）原則に従います。 一般化推定方程式（GEE）を利用して、経時的変化を検討し、アウトカム指標に対する群×時間の交互作用効果を検定します。 GEEモデルは、それぞれのアウトカム変数のベースラインスコアで調整されます。 さらに、ベースライン時点で群間で統計的に有意な差を示す人口統計学的特性は、共変量として含められます。 実験群については、さらなる分析として、客観的エンゲージメント指標（例：完了率）と臨床的改善との関連を検討し、用量反応関係を決定します。