Forbedring av engasjement med digital psykisk helsevern

Digital mental helse (DMH) er bruken av teknologi for å forbedre befolkningens velvære gjennom rask sykdomsdeteksjon, resultatmåling og omsorg. Selv om flere randomiserte kliniske studier har vist at digitale verktøy for mental helse er svært effektive, opprettholder de fleste forbrukere ikke bruken av disse verktøyene. Feltet mangler for tiden en forståelse av DMH-verktøyengasjement, hvordan engasjement er assosiert med velvære, og hvilke praksiser som er effektive for å opprettholde engasjement. I dette partnerskapet mellom Mental Health America (MHA), Talkspace (TS) og University of Washington (UW), foreslår etterforskerne et naturalistisk og eksperimentelt, teoridrevet forskningsprogram, med sikte på å forstå 1) hvordan forbrukernes engasjement i selvhjelp og klinikerassistert DMH varierer og hvilke engasjementsmønstre som eksisterer, 2) assosiasjonen mellom engasjementsmønstre og viktige forbrukerresultater, og 3) effektiviteten av personaliserte strategier for optimalt engasjement med DMH-behandling.

Denne studien vil prospektivt følge et stort, naturalistisk utvalg av MHA- og TS-forbrukere, og vil anvende maskinlæring, brukersentrerte designstrategier og mikrorandomiserte og sekvensielle multiple assignment randomiserte (SMART) forsøk for å møte disse målene. Som vanlig praksis for begge plattformene, vil forbrukere fullføre online screening og vurdering av mental helse, og etterforskerne vil kunne klassifisere deltakere etter sykdomsstatus og symptomalvorlighet. Utvalget som etterforskerne skal jobbe med vil ikke være begrenset av diagnose eller komorbiditeter. Deltakerne vil være 10 år og eldre og gå inn på MHA- og TS-plattformene prospektivt over 4 år. For å teste det første målet, vil etterforskerne identifisere minimum 100 000 forbrukere som har hatt tilgang til MHA- og TS-plattformer tidligere. Deltakerdata vil bli analysert statistisk for å avdekke forskjeller i engasjement og frafall på tvers av grupper basert på demografi, symptomer og plattformaktivitet. For mål 2 vil etterforskerne bruke veiledet maskinlæringsteknikker for å identifisere undertyper basert på forbrukerdemografi, engasjementsmønstre med DMH, årsaker til frakobling, suksess med eksisterende MHA- og TS-engasjementstrategier, og tilfredshet med DMH-verktøyene, som er prediktive for fremtiden. engasjementsmønstre. Til slutt, basert på resultatene fra mål 2, vil etterforskerne i mål 3 gjennomføre fokusgrupper som anvender brukersentrerte designstrategier for å identifisere og sambygge potensielt effektive engasjementsstrategier for bestemte klientundertyper. Etterforskerne vil deretter gjennomføre en serie mikrorandomiserte og SMART-forsøk for å finne ut hvilke teoridrevne engasjementsstrategier, co-designet med brukere, som passer best med undertyper utviklet under mål 2. Etterforskerne vil teste effektiviteten til disse strategiene for å 1) forhindre frigjøring fra de som er mer sannsynlig å ha dårlige resultater etter frakobling, 2) forbedre bevegelse fra motivasjon til vilje og, 3) forbedre optimal dose av DMH-engasjement og følgelig forbedre mentale helseutfall. Disse dataene vil bli analysert ved hjelp av longitudinelle blandede effekter-modeller med effektkoding for å estimere effektiviteten til hver strategi på klientengasjementatferd og mentale helseutfall.