Strategie cyfrowe ułatwiające poszukiwanie pomocy – cel 3

Celem tej propozycji jest utworzenie laboratorium cyfrowego skupionego na wspieraniu poszukiwania pomocy i przyspieszaniu rozpoczynania leczenia u młodzieży (w wieku 13–26 lat), która znajduje się w grupie wysokiego ryzyka klinicznego (CHR) rozwoju psychozy. Pomimo wdrożenia w całych Stanach Zjednoczonych usług wczesnej interwencji opartych na dowodach, młodzież CHR czeka miesiące lub lata między wystąpieniem objawów a otrzymaniem opieki, co skutkuje znacznie gorszymi wynikami. Obecne strategie identyfikacji CHR opierają się na kosztownych, nieefektywnych i przestarzałych zasobach. Globalne wysiłki mające na celu przyspieszenie rozpoczynania leczenia u młodych osób z CHR pobudziły bezprecedensowe zapotrzebowanie na innowacyjne cyfrowe rozwiązania w zakresie opieki zdrowotnej, których celem jest zwiększenie dostępu do dostępnych i skutecznych opcji leczenia. Wyszukiwanie w Internecie stanowi jeden z pierwszych proaktywnych kroków w stronę rozpoczęcia leczenia, jednak jak dotąd bardzo niewiele badań dostarczyło informacji, w jaki sposób najlepiej wspierać młodzież z CHR na kluczowych wczesnych etapach poszukiwania pomocy online w kierunku opieki.

Aby wypełnić tę lukę w wiedzy, w niniejszym badaniu nawiązano współpracę między Mental Health America (MHA), największą na świecie internetową organizacją zajmującą się badaniami przesiewowymi i wspieraniem zdrowia psychicznego, Strong365, internetowym centrum zasobów poświęconym edukacji w zakresie wczesnej psychozy i nawigacji w opiece, Accelerating Medicines Partnership – Schizophrenia (AMP-SCZ), finansowaną przez NIH sieć programów CHR w całych Stanach Zjednoczonych oraz czterech partnerów akademickich posiadających wiedzę specjalistyczną w zakresie oceny i zarządzania młodzieżą CHR (Columbia, UCSF, UCD), internetowe badania przesiewowe w kierunku psychozy i nawigacja w opiece (Columbia, UCD) oraz cyfrowe zaangażowanie w zdrowie psychiczne (UW, Columbia). Opierając się na partnerstwie badawczym MHA skupionym na cyfrowym zaangażowaniu w zdrowie psychiczne (R01MH125179), podejście to wykorzystuje model podejścia do procesu działań zdrowotnych (HAPA), który opisuje, w jaki sposób jednostki przechodzą od zamiaru do działania, rozważając zmianę zachowania. W badaniu tym najpierw zostaną scharakteryzowane podtypy poszukujące pomocy u 25 000 młodych ludzi, którzy uzyskali wynik powyżej progu ryzyka psychozy w Kwestionariuszu Prodromalnym (PQ-B) na krajowej platformie badań przesiewowych MHA. Następnie badacze wykorzystają ten duży zbiór danych do ustalenia wyniku PQ-B najskuteczniejszego w identyfikacji młodych ludzi z CHR w Internecie, biorąc pod uwagę, że ryzyko fałszywie pozytywnych wyników może być wyższe w przypadku samokontroli w Internecie oraz że optymalne progi mogą się różnić w zależności od częstości występowania próbki , populacja i otoczenie. Następnie badacze będą iteracyjnie opracowywać i testować teorię oraz strategie cyfrowe oparte na danych, korzystając z serii mikrorandomizowanych badań (MRT), których celem jest przyspieszenie poszukiwania pomocy przez młodzież z CHR od wstępnej intencji do intencji, od zamiaru do działania i od działania do super. -działanie poprzez bezpośrednie zaangażowanie mechanizmów docelowych HAPA: poczucia własnej skuteczności, postrzeganych potrzeb/ryzyka i oczekiwanych rezultatów. Szczegółowe cele i hipotezy obejmują:

Cel 1: Scharakteryzowanie wzorców poszukiwania pomocy u 25 000 młodych ludzi, którzy osiągnęli wynik powyżej progu PQ-B. H1a: Młodzież podzieli się na (1) osoby przygotowujące się do badania (rozwiąż test PQ-B i zaangażuj się w treści edukacyjne), (2) osoby zamierzające (zainicjuj wymianę SMS-ów z rówieśniczym nawigatorem Strong365, (3) aktorów (przejście od wysyłania SMS-ów do oceny klinicznej z klinicystą Strong365 przez telefon/wideo) oraz (4) superaktorzy (przejście od oceny do przyjęcia AMP-SCZ). Dane będą obejmować metadane online (czas spędzony online, liczba przeglądanych zasobów, czas spędzony na wypełnieniu PQ-B, liczba zainicjowanych/wymienionych SMS-ów), raport własny (dane demograficzne, typ i nasilenie objawów, wynik PQ-B, cele/ potrzeby, poczucie własnej skuteczności) i język naturalny. H1b (tylko Strong365): Przetwarzanie języka naturalnego (NLP) danych wyodrębnionych z interakcji uczestnik/dostawca za pośrednictwem tekstu i wideo pozwoli zidentyfikować markery językowe etapów HAPA: intendent, aktor, superaktor. Modele oparte na etapach HAPA wraz z cechami behawioralnymi (tj. czasem wysyłania wiadomości, częstotliwością, opóźnieniem w odpowiedzi) pozwolą przewidzieć postęp w poszukiwaniu pomocy w porównaniu z brakiem zaangażowania. Najlepsze funkcje predykcyjne zostaną wykorzystane do opracowania strategii rozwoju polegającego na poszukiwaniu pomocy, które zostaną przetestowane w MRT (cel 3).

Cel 2: Aby zapewnić odpowiednie skierowanie osobom, które wypełnią kwestionariusz PQ-B, w niniejszym badaniu zostanie ustalony najdokładniejszy próg umożliwiający identyfikację CHR w Internecie. H2: Korzystając z danych z populacyjnego badania przesiewowego PQ-B, badacze przewidują, że całkowity wynik cierpienia wynoszący 20+ wygeneruje najwyższy diagnostyczny iloraz szans z czułością co najmniej 80% online, jak określono na podstawie zdalnej oceny klinicznej. W pozostałej części badania stosowany będzie wynik progowy maksymalizujący swoistość i czułość.

Cel 3: Iteracyjne opracowanie, przetestowanie i wybór najskuteczniejszych strategii rozwoju w zakresie poszukiwania pomocy przy użyciu MRT u 25 000 młodych ludzi, w 3 punktach czasowych na ścieżce zapewniania opieki, kiedy młodzież najprawdopodobniej przestanie się angażować (po ukończeniu PQ-B, po wysłaniu SMS-a z nawigator rówieśniczy, po zdalnej ocenie klinicznej). H3a: Strategie cyfrowe na stronie wyników PQ-B pozwolą młodym ludziom przejść od samych badań przesiewowych online do wysyłania SMS-ów (od osoby zainteresowanej do osoby zamierzającej). Strategie zwiększające poczucie własnej skuteczności w wykonywaniu zadań i oczekiwane wyniki będą skuteczniejsze niż zwykłe informacje podawane po przeprowadzeniu badania przesiewowego. H3b: Zautomatyzowane strategie cyfrowe dostarczane za pośrednictwem tekstu poprowadzą młodzież od wysyłania SMS-ów do zdalnej oceny klinicznej (od osoby zainteresowanej do aktora). Strategie zwiększające poczucie własnej skuteczności w zadaniu i oczekiwania dotyczące wyników będą skuteczniejsze niż komunikaty kontrolne. H3c: Zautomatyzowane strategie cyfrowe dostarczane za pomocą tekstu poprowadzą młodzież od oceny do przyjęcia AMP-SCZ i rozpoczęcia leczenia, jeśli jest to wskazane (aktor do superaktora). Strategie zwiększające poczucie własnej skuteczności w zakresie konserwacji i odzyskiwania będą skuteczniejsze niż komunikaty kontrolne.