디지털 정신 건강 관리로 참여도 향상

디지털 정신 건강(DMH)은 기술을 사용하여 신속한 질병 감지, 결과 측정 및 치료를 통해 인구의 복지를 개선하는 것입니다. 여러 무작위 임상 시험에서 디지털 정신 건강 도구가 매우 효과적이라는 것이 입증되었지만 대부분의 소비자는 이러한 도구를 계속 사용하지 않습니다. 이 분야는 현재 DMH 도구 참여, 참여가 웰빙과 어떻게 연관되어 있는지, 참여를 유지하는 데 효과적인 관행이 무엇인지에 대한 이해가 부족합니다. MHA(Mental Health America), TS(Talkspace) 및 UW(University of Washington) 간의 이 파트너십에서 조사관은 이해를 목적으로 자연주의적이고 실험적이며 이론 중심의 연구 프로그램을 제안합니다. 자조 및 임상의 지원 DMH는 다양하며 어떤 참여 패턴이 존재하는지, 2) 참여 패턴과 중요한 소비자 결과 사이의 연관성, 3) DMH 치료에 대한 최적의 참여를 위한 개인화 전략의 효과.

이 연구는 MHA 및 TS 소비자의 대규모 자연주의적 표본을 전향적으로 추적하고 기계 학습, 사용자 중심 설계 전략, 미세 무작위 및 순차 다중 할당 무작위(SMART) 시험을 적용하여 이러한 목표를 해결할 것입니다. 두 플랫폼의 일반적인 관행과 마찬가지로 소비자는 온라인 정신 건강 검사 및 평가를 완료하고 조사관은 질병 상태 및 증상 심각도에 따라 참가자를 분류할 수 있습니다. 조사관이 작업할 샘플은 진단이나 동반 질환에 의해 제한되지 않습니다. 참가자는 10세 이상이며 향후 4년에 걸쳐 MHA 및 TS 플랫폼에 진입하게 됩니다. 첫 번째 목표를 테스트하기 위해 조사관은 과거에 MHA 및 TS 플랫폼에 액세스한 적이 있는 최소 100,000명의 소비자를 식별합니다. 참가자 데이터는 통계적으로 분석되어 인구 통계, 증상 및 플랫폼 활동을 기반으로 그룹 간 참여 및 탈락의 차이를 나타냅니다. 목표 2를 위해 조사관은 감독 기계 학습 기술을 사용하여 미래를 예측하는 소비자 인구 통계, DMH 참여 패턴, 이탈 이유, 기존 MHA 및 TS 참여 전략의 성공, DMH 도구에 대한 만족도를 기반으로 하위 유형을 식별합니다. 참여 패턴. 마지막으로 목표 2의 결과를 기반으로 목표 3에서 조사관은 사용자 중심 디자인 전략을 적용하는 포커스 그룹을 수행하여 특정 클라이언트 하위 유형에 대해 잠재적으로 효과적인 참여 전략을 식별하고 공동 구축합니다. 그런 다음 조사관은 일련의 미세 무작위 및 SMART 시험을 수행하여 사용자와 공동 설계한 이론 기반 참여 전략이 목표 2에서 개발된 하위 유형에 가장 적합한지 결정합니다. 조사관은 이러한 전략의 효과를 테스트하여 다음을 수행합니다. 1) 이탈 후 좋지 않은 결과를 얻을 가능성이 더 높은 사람들의 이탈을 방지하고, 2) 동기 부여에서 의지로의 움직임을 개선하고, 3) 최적의 DMH 참여 용량을 강화하여 결과적으로 정신 건강 결과를 개선합니다. 이러한 데이터는 클라이언트 참여 행동 및 정신 건강 결과에 대한 각 전략의 효과를 추정하기 위해 효과 코딩과 함께 종단 혼합 효과 모델을 사용하여 분석됩니다.