메커니즘 발견에서 환자 관점을 중심으로 데이터 과학을 사용 (CPP)

비용 효율적이고 새롭고 확장 가능한 트라우마 중심 개입에 대한 수요가 높습니다. 미국 지역사회 정신건강 진료소에서 외상후 스트레스 장애(PTSD)와 복합 PTSD의 유병률은 최대 50%에 달하는 것으로 추산됩니다. 그러나 PTSD 개입에 대한 반응 이질성은 여전히 ​​높은데, 무응답률은 50~60%에 달하고 전통적인 개입(예: 인지 행동, 노출 요법)에 대한 중단률은 30~40%에 이릅니다. 더욱이, 전형적인 단계적 효능 중심 임상 연구의 연구 집단은 종종 엄격한 배제 기준과 과소 대표되는 커뮤니티의 낮은 대표성을 특징으로 합니다. 효능 기반 연구 인구의 동질성은 특히 공공 부문 및 지역 사회 기반 정신 건강 시설에서 불완전한 그림을 만듭니다. 연구에 따르면 이러한 동질성은 다양한 인구 집단의 효율성을 제한할 뿐만 아니라 건강 불균형을 악화시키는 데 기여할 수도 있다고 합니다.

환자의 관점을 참여시키는 것은 반응의 이질성과 참여에 대한 통찰력을 제공하여 궁극적으로 메커니즘을 이해하고 보다 환자 중심적인 개입을 창출할 수 있기 때문에 연구에 매우 중요합니다. 환자의 목소리를 중심으로 하고 새로운 치료법에 대한 독특한 변화 메커니즘을 식별하는 잠재력을 높이는 한 가지 방법은 질적 인터뷰를 사용하는 것입니다. 왜냐하면 생생한 경험과 그 맥락에 직접 접근하기 때문입니다. 단계적 무작위 대조 시험에서 정성적 데이터를 활용하는 잠재적인 이점에도 불구하고 자원 제약, 대화형 요소를 정량화할 수 없음, 수집된 정보의 실제 가치에 대한 우려 등 몇 가지 장애물이 지속됩니다. 가치가 포함된 관련 주제를 안정적이고 신속하게 추출하고 비언어적 대화 요소를 식별하는 혁신적인 방법은 환자 경험의 통합과 임상 개입 시험에 환자의 관점을 포함시키는 것을 촉진할 수 있습니다.

이 단일군 연구는 환자 인터뷰에서 PTSD 증상 변화의 잠재적 메커니즘을 식별하기 위해 자연어 처리(NLP)와 딥 러닝을 사용하는 타당성을 평가하는 것을 목표로 합니다. 이 연구는 IFS 모델을 사용하는 PARTS(Program For Alleviating And Resolving Trauma and Stress)라는 16주간의 실시간 온라인 그룹 치료 모델(및 보조 개인 치료 세션)을 제공하는 임상 서비스의 지속적인 코호트를 활용할 것입니다. 조사관은 기계 학습과 자연어 처리를 적용한 수렴 혼합 방법 접근 방식을 사용하여 잠재적인 변화 메커니즘을 식별하는 모델을 개발할 것입니다.

분석: 우리는 잠재 디리클레 할당(Latent Dirichlet Allocation), 사전 훈련된 언어 모델, 전이 학습(반복 신경망, 생성적 적대 네트워크), 페널티 회귀 기반 모델을 포함한 여러 가지 다양한 방법을 사용하여 모델을 개발할 것입니다. 이러한 모델은 인터뷰에서 표현된 심리적 변화에 대한 환자의 관점에서 파생된 데이터를 사용하고 임상 측정에서 파생된 모델과 비교됩니다. 표준 성능 지표와 교차 검증 점수를 사용하여 모델의 비교 성능을 평가합니다. 탐색적 목표로, 우리는 개입 후 개별 치료 방문을 예측하기 위해 언어 처리 모델과 임상 측정에서 파생된 기능을 사용하는 타당성을 평가할 것입니다. 탐구 데이터에는 구조화된 임상 데이터, 건강의 사회적 결정 요인, 치료 기반 활용도(날짜, 제공자 유형, 기간)도 포함됩니다.

예상 결과: 두 가지 검증된 모델 개발: 하나는 환자 인터뷰 데이터에서 파생되었으며 다른 하나는 PTSD에 대한 IFS의 그룹 기반 치료 모델의 변화 메커니즘을 포괄적으로 식별하기 위한 임상 측정을 기반으로 합니다.