Algorytmy oparte na szacunkach mHealth sygnalizujące zbliżający się nawrót epizodów choroby afektywnej dwubiegunowej (MEASURE-BD)

Weterani cierpiący na chorobę afektywną dwubiegunową (ChAD) doświadczają nawracających i pozornie nieprzewidywalnych okresów poważnych zaburzeń funkcjonowania psychospołecznego, które w ciągu całego życia prowadzą do niekorzystnych skutków, takich jak pozbawienie wolności, bezdomność i śmierć samobójcza. Badania potwierdzają związek pomiędzy większym nasileniem i częstotliwością objawów ChAD a gorszym funkcjonowaniem psychospołecznym. Weterani z ChAD często rezygnują z opieki w momencie, gdy leczenie byłoby najbardziej korzystne w zapobieganiu pogorszeniu się funkcjonowania psychospołecznego – kiedy pojawiają się nowe epizody maniakalne i depresyjne. Zatem pomimo dostępności metod leczenia opartych na dowodach, ChAD jest jedną z głównych przyczyn niepełnosprawności na świecie.

Skuteczne narzędzia do prospektywnego wykrywania początku epizodu maniakalnego i depresyjnego mogą zapewnić klinicystom możliwość skuteczniejszej interwencji i zapobiegania złym wynikom psychospołecznym i utracie życia. Nic dziwnego, że interwencje psychoterapeutyczne często skupiają się na nauczaniu pacjentów technik monitorowania nastroju w celu zapobiegania nawrotom epizodów. Jednakże te techniki samoopisu wymagają wnikliwej wiedzy i dużego wysiłku ze strony pacjenta, czego może brakować w przypadku ostrych epizodów ChAD. Brakuje rzeczywistych pomiarów zarówno objawów ChAD, jak i funkcjonowania społecznego weteranów z ChAD, które byłyby obiektywne i nie wymagały dużej wiedzy ani dużego wysiłku. Zatem pasywne metody m-zdrowia, które są wykonalne i akceptowalne dla weteranów z ChAD i skuteczne w prospektywnym wykrywaniu początku zarówno manii, jak i depresji, mogą zapobiegać pogorszeniu funkcjonowania psychospołecznego, zapewniając opiekę opartą na dowodach w momentach największej potrzeby.

Nadrzędnym celem projektu Merit Award jest opracowanie niezawodnych i ważnych algorytmów uczenia maszynowego wykorzystujących dane m-zdrowia do prospektywnego wykrywania spadków uczestnictwa w życiu społecznym oraz potencjalnego wystąpienia manii i depresji u weteranów z ChAD. Cele szczegółowe badania to:

Cel nr 1. Ustalenie algorytmu uczenia maszynowego wykorzystującego dane GPS/lokalizację do przewidywania potencjalnych spadków uczestnictwa społecznego wśród weteranów z ChAD. Badacze dostarczą nowatorskie, rzeczywiste modele uczenia maszynowego oparte na GPS, które będą przewidywać zmiany w uczestnictwie społecznym weteranów z kilkudniowym wyprzedzeniem. Na podstawie danych pilotażowych badacze oczekują, że predyktory/funkcje danych GPS będą obejmować czas spędzony w miejscu zamieszkania, pracy i codziennych czynnościach.

Cel nr 2. Opracowanie algorytmów uczenia maszynowego wykorzystujących dane GPS/lokalizację do przewidywania potencjalnych ostrych stanów klinicznych ChAD. Badacze sprawdzą, czy dodanie bardziej uciążliwych funkcji codziennego samoopisu i głosowych nabiału poprawia dokładność modeli przy użyciu pozytywnych przewidywań i innych wskaźników statystycznych. Badacze przewidują, że same pasywne dane GPS/lokalizacja zapewnią dokładne przewidywanie potencjalnych zmian w objawach ChAD.

Cel nr 3. Zbadanie klinicznego wdrożenia algorytmów opartych na mHealth w leczeniu ChAD. Grupy fokusowe dostawców i administratorów VA ocenią wykonalność wdrożenia algorytmów w opiece klinicznej.

Aby osiągnąć te cele, do badania zostanie wybranych 200 weteranów z rozpoznaniem ChAD, którzy otrzymają opiekę w ramach systemu opieki zdrowotnej Minneapolis VA za pośrednictwem bezpośrednich przesyłek pocztowych do pacjentów, ulotek rozdawanych w ośrodku medycznym i skierowań od lekarzy. W badaniu zostaną wykorzystane strategie rekrutacji metodą warstwowego doboru próby w celu zapisania co najmniej 20 weteranów w przedziałach wiekowych 18–35, 36–45, 46–55, 56–65 oraz 66 lat i starszych. Uczestnicy będą obserwowani przez 14 tygodni przy użyciu trzech aplikacji na smartfony (tj. VA mPRO, FollowMee i Recorder Plus lub ASR Voice Recorder). Codziennie uczestnicy będą wypełniać ocenę swoich obecnych objawów składającą się z 8 pytań i przekazywać dane głosowe do analizy mowy za pomocą stałego komunikatu dotyczącego zaplanowanych zajęć na dany dzień. Inna aplikacja będzie stale i pasywnie monitorować lokalizację, korzystając z funkcji GPS smartfona, aby wykryć odchylenia od codziennej rutyny. Co dwa tygodnie uczestnicy będą wypełniać krótki ekran telefonu, oceniając uczestnictwo w życiu społecznym i społeczności, objawy manii i depresji oraz skłonności samobójcze. Dane m-zdrowia z dni poprzedzających dwutygodniowe wywiady zostaną wykorzystane jako elementy w niewielkiej liczbie proponowanych modeli uczenia maszynowego, a miarami wyniku będzie ocena objawów choroby afektywnej dwubiegunowej przeprowadzana co dwa tygodnie w wywiadzie i uczestnictwo w życiu społecznym. Personel projektu poprowadzi także dwie grupy fokusowe – jedną z 8 VA świadczeniodawców zdrowia psychicznego i jedną z 8 administratorów VA – reprezentujących różne dyscypliny, a także będzie wykorzystywać pytania do dyskusji z przewodnikiem, aby uzyskać opinie na temat wdrażania algorytmów opartych na mZdrowie w przyszłej opiece klinicznej nad weteranami z ChAD.

Wpływ: Celem badania jest dostarczenie klinicystom narzędzi klinicznych do uzyskiwania w czasie rzeczywistym dyskretnych i prospektywnych sygnałów o zbliżających się nawrotach epizodów depresyjnych i maniakalnych u weteranów z ChAD w celu szybszego, mniej kosztownego i skuteczniejszego wykorzystania istniejących, opartych na dowodach metod leczenia. leczenia zapobiegającego złym efektom psychospołecznym. Co więcej, obecne badanie dostarczy obiektywnych, niewymagających wysiłku i dyskretnych środków śledzenia udziału społecznego na miejscu i w czasie rzeczywistym zarówno u weteranów z ChAD, jak i innych populacji weteranów.