Sistema de Recomendação de Experiência do Paciente para Adaptação de Comunicação Persuasiva (PERSPECT)

Para maximizar a perspectiva do paciente e apoiar efetivamente as escolhas de estilo de vida, desenvolveremos o "Sistema de Recomendação de Experiência do Paciente para Adaptação de Comunicação Persuasiva". O PERSPeCT é um sistema de computador adaptativo que avaliará a perspectiva individual do paciente, entenderá as preferências do paciente por mensagens de saúde e fornecerá comunicação de saúde personalizada e persuasiva relevante para o paciente individual.

Os investigadores propõem superar os principais pontos fracos nas intervenções existentes de comunicação em saúde orientadas por especialistas, aplicando algoritmos avançados de aprendizado de máquina para recomendar mensagens de forma adaptativa com base na "inteligência coletiva" de milhares de pacientes. Este trabalho alavancará uma abordagem "Web 2.0" de mudança de paradigma para personalização adaptativa com potencial para amplo impacto no campo da comunicação em saúde personalizada por computador (CTHC).

Usando o conhecimento de especialistas científicos, as intervenções atuais de CTHC coletam "perfis" de pacientes de linha de base e, em seguida, usam sistemas baseados em regras escritos por especialistas para direcionar mensagens a subconjuntos de pacientes. Essas intervenções de segmentação de mercado mostram alguma promessa em ajudar certos pacientes a alcançar metas de estilo de vida. Embora teoricamente sólidos, os sistemas baseados em regras podem não dar conta de conceitos socioculturais que tenham importância intrínseca para a população-alvo, limitando assim sua relevância. Além disso, as regras não se adaptam ao feedback do paciente.

Fora da área de saúde, empresas como Google, Amazon, Netflix e Pandora fizeram uso extensivo de sistemas de recomendação adaptáveis ​​para fornecer conteúdo com maior relevância pessoal. Esses sistemas usam algoritmos de aprendizado de máquina para derivar recomendações personalizadas de uma variedade de fontes de dados, incluindo feedback de preferência coletado de usuários individuais.

No âmbito deste piloto do Instituto de Pesquisa de Resultados Centrados no Paciente (PCORI), os investigadores abordarão os desafios de adaptar os sistemas de recomendação de aprendizado de máquina para CTHC no contexto específico do suporte à decisão do paciente para parar de fumar. Os investigadores escolheram esse domínio porque fumar é uma das principais causas evitáveis ​​de morte e porque temos um banco de dados existente de 1.000 mensagens persuasivas desenvolvidas em uma concessão federal atual (R01 CA129091). Os objetivos específicos do estudo são:

Objetivo 1: Coletar dados de feedback explícito para treinar os fumantes do PERSPeCT Recruit 700 usando várias estratégias complementares e usando uma interface da web, pedindo aos fumantes que forneçam (a) Perspectivas sobre fumar e parar de fumar e informações de contexto sociocultural e (b) Classificações do aspecto influente das mensagens de cessação do tabagismo.

Objetivo 2: Projetar, implementar e validar uma estrutura de recomendação personalizada Isso envolverá (a) desenvolver e implementar um sistema de recomendação de aprendizado de máquina que integre perfis de pacientes, metadados de mensagens, visualizações de sites e classificações de influência e (b) treinar o modelo e validar seu desempenho preditivo.

Objetivo 3: Conduzir um estudo piloto randomizado (n = 120 fumantes) do PERSPeCT. Os investigadores levantam a hipótese de que o sistema PERSPeCT irá (H1) selecionar mensagens de influência crescente à medida que os fumantes fornecem mais classificações de mensagens e (H2) selecionar mensagens com melhor influência do que um sistema CTHC baseado em regras quando os fumantes fornecem um número suficiente de classificações Os sistemas CTHC apoiam as decisões do paciente sobre comportamentos, estilos de vida e escolhas. PERSPeCT aborda áreas de interesse para PCORI, a saber: 1) Identificar, testar e/ou avaliar métodos que podem ser usados ​​para avaliar a perspectiva do paciente ao pesquisar comportamentos, estilos de vida e escolhas dentro do controle do paciente; e 2) Desenvolver, refinar, testar e/ou avaliar abordagens centradas no paciente, incluindo ferramentas de apoio à decisão. A equipe do estudo está posicionada de forma única para atingir esses objetivos ambiciosos dentro do escopo deste piloto do PCORI porque os investigadores utilizarão um banco de dados existente de mensagens persuasivas de um estudo anterior, dois anos de dados sobre a eficácia dessas mensagens e uma equipe transdisciplinar com experiência em comunicação em saúde, engenharia de sistemas web e sistemas de recomendação de aprendizado de máquina.