Pasienterfaringsanbefalingssystem for skreddersydd overbevisende kommunikasjon (PERSPECT)

For å maksimere pasientperspektivet og effektivt støtte livsstilsvalg, vil vi utvikle "Patient Experience Recommend-System for Persuasive Communication Tailoring." PERSPeCT er et adaptivt datasystem som vil vurdere en pasients individuelle perspektiv, forstå pasientens preferanser for helsemeldinger, og gi personlig tilpasset, overbevisende helsekommunikasjon relevant for den enkelte pasient.

Etterforskere foreslår å overvinne viktige svakheter i eksisterende top-down ekspertdrevne helsekommunikasjonsintervensjoner ved å bruke avanserte maskinlæringsalgoritmer for adaptivt å anbefale meldinger basert på den "kollektive intelligensen" til tusenvis av pasienter. Dette arbeidet vil utnytte en paradigmeskiftende "Web 2.0"-tilnærming til adaptiv personalisering med potensial for bred innvirkning på feltet datatilpasset helsekommunikasjon (CTHC).

Ved å bruke kunnskap fra vitenskapelige eksperter, samler nåværende CTHC-intervensjoner grunnleggende pasient-"profiler" og bruker deretter ekspertskrevne, regelbaserte systemer for å målrette meldinger til undergrupper av pasienter. Disse markedssegmenteringsintervensjonene viser noe løfte når det gjelder å hjelpe visse pasienter med å nå livsstilsmål. Selv om det er teoretisk solid, kan det hende at regelbaserte systemer ikke redegjør for sosiokulturelle konsepter som har egen betydning for den målrettede befolkningen, og dermed begrenser deres relevans. Videre tilpasser ikke reglene seg til tilbakemeldinger fra pasienter.

Utenfor helsevesenet har selskaper som Google, Amazon, Netflix og Pandora gjort omfattende bruk av adaptive anbefalingssystemer for å gi innhold med økt personlig relevans. Disse systemene bruker maskinlæringsalgoritmer for å utlede personlige anbefalinger fra en rekke datakilder, inkludert preferansetilbakemeldinger samlet inn fra individuelle brukere.

Innenfor rammen av denne piloten for Patient-Centered Outcomes Research Institute (PCORI), vil etterforskere ta opp utfordringene med å tilpasse anbefalingssystemer for maskinlæring til CTHC i den spesifikke konteksten av pasientens beslutningsstøtte for røykeslutt. Etterforskere har valgt dette domenet fordi røyking er en viktig dødsårsak som kan forebygges, og fordi vi har en eksisterende database med 1000 overbevisende meldinger utviklet i en gjeldende føderal bevilgning (R01 CA129091). Spesifikke studiemål er å:

Mål 1: Samle eksplisitte tilbakemeldingsdata for å trene PERSPeCT Rekruttere 700 røykere ved å bruke flere, komplementære strategier, og ved å bruke et nettgrensesnitt, be røykere om å gi (a) perspektiver på røyking og slutte og sosiokulturell kontekstinformasjon og (b) vurderinger av det innflytelsesrike aspektet ved meldinger om røykeslutt.

Mål 2: Design, implementer og valider et tilpasset anbefalingsrammeverk Dette vil innebære (a) utvikling og implementering av et maskinlæringsanbefalingssystem som integrerer pasientprofiler, meldingsmetadata, nettstedvisninger og innflytelsesvurderinger, og (b) opplæring av modellen og validering dens prediktive ytelse.

Mål 3: Gjennomfør en randomisert pilotstudie (n = 120 røykere) av PERSPeCT. Etterforskere antar at PERSPeCT-systemet vil (H1) velge meldinger med økende innflytelse ettersom røykere gir flere meldingsvurderinger og (H2) velge meldinger med bedre innflytelse enn et regelbasert CTHC-system når røykere gir et tilstrekkelig antall vurderinger CTHC-systemer støtter pasientbeslutninger om atferd, livsstil og valg. PERSPEKT tar for seg interesseområder for PCORI, nemlig: 1) Identifisere, teste og/eller evaluere metoder som kan brukes til å vurdere pasientperspektivet når man forsker på atferd, livsstil og valg innenfor pasientens kontroll; og 2) Utvikle, foredle, teste og/eller evaluere pasientsentrerte tilnærminger, inkludert beslutningsstøtteverktøy. Studieteamet er unikt posisjonert for å oppnå disse ambisiøse målene innenfor rammen av denne PCORI-piloten fordi etterforskere vil bruke en eksisterende database med overbevisende meldinger fra en tidligere studie, to års data om effektiviteten til disse meldingene og et tverrfaglig team med ekspertise innen helsekommunikasjon, websystemteknikk og maskinlærings-anbefalingssystemer.