PODSTAWKA. Projekt podpisu Centrum Alacrity

Uczelnie społeczne zapewniają kluczową ścieżkę rozwoju siły roboczej i korzyści społeczno-ekonomicznych, ale ta szansa jest ograniczana przez niezaspokojone zapotrzebowanie na usługi w zakresie zdrowia psychicznego, szczególnie w przypadku depresji i lęków, a zwłaszcza studentów należących do mniejszości rasowych/etnicznych. Pilnie potrzebny jest skalowalny i skuteczny system opieki, który zarządza potrzebami w zakresie zdrowia psychicznego w zgodzie ze społecznymi uwarunkowaniami zdrowia psychicznego. Centrum Alacrity ma na celu wdrożenie systemu opieki STAND, który obejmuje badania przesiewowe i leczenie lęku i depresji dla bardzo zróżnicowanej populacji społeczności uniwersyteckiej. STAND segreguje na różne poziomy opieki, począwszy od samodzielnej profilaktyki online, przez internetową terapię poznawczo-behawioralną (CBT) prowadzoną przez trenera, po opiekę świadczoną przez lekarza. Po wstępnej segregacji STAND dostosowuje poziom opieki przez cały czas włączenia do badania (np. przeniósł się na wyższy poziom opieki podczas leczenia doraźnego). Te decyzje dotyczące segregacji i adaptacji są obecnie oparte na aktualnym nasileniu objawów. Takie decyzje można zoptymalizować za pomocą wszechstronnych algorytmów opartych na danych, które przewidują potrzebę określonego poziomu opieki i dostosowania do poziomu opieki w trakcie leczenia, a zwłaszcza algorytmy dostosowane do potrzeb uczniów college'u, którzy mają do czynienia z poważnymi stresorami życiowymi .

Celem projektu Signature jest ocena algorytmów podejmowania decyzji klinicznych w celu (a) segregacji do poziomu opieki i (b) dostosowania poziomu opieki w wysoce zróżnicowanej grupie studentów college'u East Los Angeles College (ELAC) o niskich dochodach ). Ostatecznym celem jest poprawa skuteczności STAND i rozwój nauki o spersonalizowanym zdrowiu psychicznym. Porównamy standardowe podejście, które opiera się wyłącznie na nasileniu objawów, z opartym na danych podejściem do podejmowania decyzji, które wykorzystuje wielowymiarowe algorytmy predykcyjne składające się z podstawowych statycznych i zmiennych w czasie cech z czterech nakładających się i wzajemnie wzmacniających się konstruktów teoretycznych: (1) społeczne determinanty zdrowie psychiczne (zatrudnienie, dochody, mieszkanie i bezpieczeństwo żywnościowe, dyskryminacja, wsparcie społeczne, rasa/pochodzenie etniczne, akulturacja, status imigracyjny, płeć, orientacja seksualna); (2) wczesne przeciwności losu i stresory życiowe; (3) predysponujące, umożliwiające i potrzebne wpływy na korzystanie ze świadczeń zdrowotnych; oraz (4) kompleksowy stan zdrowia psychicznego (depresja, nasilenie lęku i samobójstwa, choroby współistniejące, funkcjonowanie neuropoznawcze, dysregulacja emocji, stosowanie strategii regulacyjnych, historia i preferencje leczenia, funkcjonowanie społeczne, zawodowe, domowe i akademickie). Nadrzędny projekt polega na losowym przydzieleniu uczniów ELAC do grupy podejmującej decyzje dotyczące nasilenia objawów (SSD) lub podejmowania decyzji w oparciu o dane (DDD) i oceniając, czy DDD poprawia przestrzeganie leczenia, objawy i funkcjonowanie.

Uczestnicy zostaną zapisani w ciągu pierwszych dwóch do czterech miesięcy roku akademickiego w ELAC. Docelowa liczba uczestników to 200 uczestników rocznie przez pięć lat (n = 1000 ogółem). Uczestnicy to aktualni studenci ELAC w wieku od 18 do 40 lat. Czynniki prognostyczne i wyniki będą oceniane na początku badania i co tydzień lub co 8 tygodni do 40. tygodnia. Wielowymiarowe modele predykcyjne będą wykorzystywane do wstępnego segregowania poziomu opieki i późniejszych dostosowań poziomu opieki w oparciu o kompleksowy zestaw zmiennych, które, jak wykazano, wpływają na bieżące potrzeby w zakresie zdrowia psychicznego. Uczestnicy wypełnią skomputeryzowane oceny i kwestionariusze samoopisowe. Łączna długość uczestnictwa wynosi 40 tygodni.