Usando a ciência de dados para centralizar as perspectivas dos pacientes na descoberta de mecanismos (CPP)

A demanda por intervenções econômicas, inovadoras e escalonáveis ​​focadas no trauma é alta. As taxas de prevalência de transtorno de estresse pós-traumático (TEPT) e TEPT complexo em clínicas comunitárias de saúde mental dos EUA são estimadas em 50%. No entanto, a heterogeneidade da resposta às intervenções de TEPT permanece elevada, com taxas de não resposta atingindo 50-60% e taxas de abandono para intervenções tradicionais (ou seja, cognitivo-comportamentais, terapias de exposição) de 30-40%. Além disso, as populações de investigação em ensaios de investigação clínica típicos, escalonados e orientados para a eficácia, são frequentemente caracterizadas por critérios de exclusão rigorosos e baixa representação de comunidades sub-representadas. A natureza homogénea das populações de investigação baseada na eficácia cria um quadro incompleto, especialmente no sector público e nas instalações de saúde mental comunitárias. Estudos sugeriram que esta homogeneidade não só limita a eficácia em diversas populações, como também pode contribuir para exacerbar as disparidades na saúde.

Envolver as perspectivas dos pacientes é crucial para a investigação porque pode fornecer informações sobre a heterogeneidade e o envolvimento das respostas, levando, em última análise, a uma compreensão dos mecanismos e à criação de intervenções mais centradas no paciente. Uma forma de centrar a voz do paciente e aumentar o potencial de identificação de mecanismos únicos de mudança para uma nova terapia é usar entrevistas qualitativas porque acessa diretamente a experiência vivida e seu contexto. Apesar dos benefícios potenciais da utilização de dados qualitativos em ensaios de controlo randomizados passo a passo, persistem vários obstáculos, incluindo restrições de recursos, a incapacidade de quantificar elementos interactivos e preocupações relativamente ao valor prático da informação recolhida. Métodos inovadores que extraem de forma confiável e rápida temas relevantes e carregados de valor e discernem elementos de conversação não-verbal podem facilitar a integração da experiência do paciente e a inclusão de suas perspectivas em ensaios de intervenção clínica.

Este estudo de braço único tem como objetivo avaliar a viabilidade do uso de processamento de linguagem natural (PNL) e aprendizagem profunda para identificar mecanismos potenciais de mudança de sintomas de PTSD em entrevistas com pacientes. O estudo utilizará coortes contínuas de um serviço clínico que oferece um modelo de terapia de grupo online ao vivo de 16 semanas (e sessões de terapia individual adjuntas) chamado Programa para aliviar e resolver trauma e estresse (PARTS) que usa o modelo IFS. Os investigadores usarão uma abordagem convergente de métodos mistos, aplicando aprendizado de máquina e processamento de linguagem natural para desenvolver modelos que identifiquem potenciais mecanismos de mudança.

Análise: Usaremos vários métodos diferentes para desenvolver nossos modelos, incluindo Alocação de Dirichlet Latente, modelos de linguagem pré-treinados, aprendizagem por transferência (redes neurais recorrentes, rede adversária generativa) e modelos baseados em regressão penalizada. Esses modelos usarão dados derivados das perspectivas de mudança psicológica do paciente, conforme expresso em entrevistas, e serão comparados com modelos derivados de medidas clínicas. Usaremos métricas de desempenho padrão e pontuações de validação cruzada para avaliar o desempenho comparativo dos modelos. Como objetivo exploratório, avaliaremos a viabilidade do uso de recursos derivados de modelos de processamento de linguagem e medidas clínicas para prever visitas de terapia individual pós-intervenção. Os dados exploratórios também incluirão dados clínicos estruturados, determinantes sociais da saúde e utilização baseada em terapia (datas, tipo de provedor, duração).

Resultados esperados: O desenvolvimento de dois modelos validados: um derivado de dados de entrevistas com pacientes e outro baseado em medidas clínicas para identificar de forma abrangente mecanismos de mudança de modelos de terapia baseados em grupo de IFS para TEPT.