Patiëntervaring-aanbevelingssysteem voor overtuigende communicatie op maat (PERSPECT)

Om het patiëntenperspectief te maximaliseren en levensstijlkeuzes effectief te ondersteunen, zullen we het "Patient Experience Recommender System for Persuasive Communication Tailoring" ontwikkelen. PERSPeCT is een adaptief computersysteem dat het individuele perspectief van een patiënt beoordeelt, de voorkeuren van de patiënt voor gezondheidsboodschappen begrijpt en gepersonaliseerde, overtuigende gezondheidscommunicatie biedt die relevant is voor de individuele patiënt.

Onderzoekers stellen voor om de belangrijkste tekortkomingen in bestaande top-down expertgestuurde gezondheidscommunicatie-interventies te verhelpen door geavanceerde machine learning-algoritmen toe te passen om adaptief berichten aan te bevelen op basis van de "collectieve intelligentie" van duizenden patiënten. Dit werk zal gebruik maken van een paradigmaverschuivende "Web 2.0"-benadering van adaptieve personalisatie met het potentieel voor brede impact op het gebied van op de computer afgestemde gezondheidscommunicatie (CTHC).

Met behulp van kennis van wetenschappelijke experts verzamelen de huidige CTHC-interventies baseline-patiëntprofielen en gebruiken vervolgens door experts geschreven, op regels gebaseerde systemen om berichten te richten op subgroepen van patiënten. Deze marktsegmentatie-interventies zijn veelbelovend om bepaalde patiënten te helpen hun levensstijldoelen te bereiken. Hoewel theoretisch verantwoord, kunnen op regels gebaseerde systemen geen rekening houden met sociaal-culturele concepten die intrinsiek belangrijk zijn voor de doelgroep, waardoor hun relevantie wordt beperkt. Verder passen de regels zich niet aan de feedback van patiënten aan.

Buiten de gezondheidszorg hebben bedrijven als Google, Amazon, Netflix en Pandora uitgebreid gebruik gemaakt van adaptieve aanbevelingssystemen om inhoud met meer persoonlijke relevantie te bieden. Deze systemen gebruiken machine learning-algoritmen om gepersonaliseerde aanbevelingen af ​​te leiden uit verschillende gegevensbronnen, waaronder voorkeursfeedback die is verzameld van individuele gebruikers.

In het kader van deze pilot van het Patient-Centered Outcomes Research Institute (PCORI) zullen onderzoekers de uitdagingen aanpakken van het aanpassen van aanbevelingssystemen voor machine learning aan CTHC in de specifieke context van patiëntbeslissingsondersteuning voor stoppen met roken. Onderzoekers hebben dit domein gekozen omdat roken een belangrijke vermijdbare doodsoorzaak is en omdat we een bestaande database hebben met 1.000 overtuigende berichten die zijn ontwikkeld in een huidige federale subsidie ​​(R01 CA129091). Specifieke studiedoelen zijn:

Doel 1: Verzamel expliciete feedbackgegevens om PERSPeCT te trainen Rekruteer 700 rokers met behulp van meerdere, complementaire strategieën en vraag rokers met behulp van een webinterface om (a) perspectieven op roken en stoppen en sociaal-culturele contextinformatie en (b) beoordelingen van het invloedrijke aspect van boodschappen om te stoppen met roken.

Doel 2: Ontwerp, implementeer en valideer een op maat gemaakt aanbevelingskader Dit omvat (a) het ontwikkelen en implementeren van een machine learning aanbevelingssysteem dat patiëntprofielen, berichtmetadata, websiteweergaven en invloedsbeoordelingen integreert, en (b) het model trainen en valideren zijn voorspellende prestaties.

Doel 3: Uitvoeren van een gerandomiseerde proef (n = 120 rokers) van PERSPeCT. Onderzoekers veronderstellen dat het PERSPeCT-systeem (H1) berichten met toenemende invloed zal selecteren als rokers meer berichtbeoordelingen geven en (H2) berichten met een grotere invloed zal selecteren dan een op regels gebaseerd CTHC-systeem wanneer rokers een voldoende aantal beoordelingen geven CTHC-systemen ondersteunen beslissingen van patiënten over gedrag, levensstijl en keuzes. PERSPeCT richt zich op gebieden die van belang zijn voor PCORI, namelijk: 1) Het identificeren, testen en/of evalueren van methoden die kunnen worden gebruikt om het perspectief van de patiënt te beoordelen bij het onderzoeken van gedragingen, levensstijlen en keuzes waarover de patiënt controle heeft; en 2) Patiëntgerichte benaderingen ontwikkelen, verfijnen, testen en/of evalueren, met inbegrip van beslissingsondersteunende instrumenten. Het onderzoeksteam bevindt zich in een unieke positie om deze ambitieuze doelstellingen binnen de reikwijdte van deze PCORI-pilot te verwezenlijken, omdat onderzoekers gebruik zullen maken van een bestaande database met overtuigende berichten uit een eerdere studie, twee jaar aan gegevens over de effectiviteit van deze berichten en een transdisciplinair team met expertise op het gebied van gezondheidscommunicatie, websysteemtechniek en aanbevelingssystemen voor machine learning.