STÅ. Alacrity Center signaturprosjekt

Fellesskoler gir en kritisk vei for arbeidsstyrkeutvikling og sosioøkonomisk gevinst, men denne muligheten reduseres av udekket behov for psykiske helsetjenester, spesielt for depresjon og angst, og spesielt for rase-/etniske minoritetsstudenter. Et skalerbart og effektivt omsorgssystem som håndterer psykiske helsebehov i samspill med sosiale psykiske helsedeterminanter er sårt nødvendig. Alacrity-senteret tar sikte på å implementere STAND-systemet for omsorg, som skjermer og behandler angst og depresjon, for en svært mangfoldig folkehøgskolebefolkning. STAND-triager til ulike omsorgsnivåer, alt fra selvstyrt online forebygging, til coach-veiledet online kognitiv atferdsterapi (CBT), til kliniker-levert omsorg. Etter innledende triaging, gjør STAND tilpasninger til omsorgsnivået gjennom hele studietiden (f.eks. flyttet opp til et høyere omsorgsnivå under akuttbehandling). Disse triaging- og tilpasningsbeslutningene er for tiden basert på gjeldende symptomalvorlighet. Slike beslutninger kan optimaliseres ved hjelp av omfattende datadrevne algoritmer som forutsier behovet for et bestemt omsorgsnivå og for tilpasning til omsorgsnivået gjennom hele behandlingen, og spesielt algoritmer som er tilpasset behovene til undertjente studenter på høyskoler som står overfor betydelige livsstressorer. .

Målet med Signaturprosjektet er å evaluere kliniske beslutningsalgoritmer for (a) triaging til omsorgsnivå og (b) tilpasning av omsorgsnivå i et lavinntekt, svært variert utvalg av community college-studenter ved East Los Angeles College (ELAC) ). Sluttmålet er å forbedre effektiviteten til STAND og å fremme vitenskapen om personlig mental helse. Vi vil sammenligne standardtilnærmingen som utelukkende er avhengig av alvorlighetsgraden av symptomer med en datadrevet tilnærming til beslutningstaking som bruker multivariate prediktive algoritmer som består av statiske og tidsvarierende grunnlinjer fra fire overlappende og gjensidig forsterkende teoretiske konstruksjoner: (1) sosiale determinanter for psykisk helse (sysselsetting, inntekt, bolig og matsikkerhet, diskriminering, sosial støtte, rase/etnisitet, akkulturasjon, immigrasjonsstatus, kjønn, seksuell legning); (2) tidlig motgang og livsstressorer; (3) disponerer, muliggjør og trenger påvirkning på bruk av helsetjenester; og (4) omfattende mental helsestatus (depresjon, angst og selvmordsgrad, komorbiditeter, nevrokognitiv funksjon, emosjonsdysregulering, bruk av regulatoriske strategier, behandlingshistorie og -preferanser, sosial, yrkesmessig, hjemme- og akademisk funksjon). Det overordnede designet er å randomisere ELAC-studenter til enten symptom-alvorlighetsbeslutning (SSD) eller datadrevet beslutningstaking (DDD), og evaluere om DDD forbedrer overholdelse av behandling, symptomer og funksjon.

Deltakere vil bli registrert i de første to til fire månedene av studieåret ved ELAC. Målsettingen er 200 deltakere per år over fem år (n = 1000 totalt). Deltakerne er nåværende ELAC-student i alderen 18-40 år. Prediktorer og utfall vil bli vurdert ved baseline og enten ukentlig eller hver 8. uke frem til uke 40. Multivariate prediksjonsmodeller vil bli brukt for innledende omsorgstriaging og senere tilpasninger av omsorgsnivå basert på et omfattende sett med variabler som har vist seg å drive dagens psykiske helsebehov. Deltakerne vil fylle ut datastyrte vurderinger og selvrapporteringsskjemaer. Total lengde på deltakelsen er 40 uker.