Teste de uma intervenção de psicoterapia de grupo on-line para transtornos mentais comuns (UpLift-X)

O protocolo do estudo - incluindo um plano de análise estatística completo foi pré-registrado e disponibilizado publicamente no Open Science Framework em 4 de outubro de 2024 (disponível aqui - https://osf.io/vup9c/).

Um ensaio clínico randomizado, pragmático, multi-site, fatorial de cluster, envolvendo serviços de terapias de fala do Serviço Nacional de Saúde (NHS) (NHS-TT) para ansiedade e depressão (anteriormente conhecidos como serviços IAPT) na Inglaterra. A intervenção em grupo "UPLift" habilitada digitalmente, baseada no Protocolo Unificado, estará disponível para pacientes com transtornos mentais comuns (e comorbidades) que sejam elegíveis para receber Terapia Cognitivo-Comportamental (TCC) de alta intensidade nos serviços do NHS-TT, seguindo as diretrizes nacionais (Centro Colaborador Nacional para Saúde Mental, 2024). O Protocolo Unificado é um tratamento transdiagnóstico que foi concebido para ser relevante para uma ampla gama de distúrbios emocionais, dada a co-ocorrência comum de depressão, ansiedade, sintomas somatoformes e dissociativos. Baseia-se na TCC e nas teorias de regulação emocional e visa apoiar os pacientes na aplicação de uma série de habilidades de regulação emocional que visam as principais vulnerabilidades comuns subjacentes a uma série de problemas de saúde mental: neuroticismo, baixo controle percebido e superestimação da ameaça. O protocolo segue o princípio da parcimônia, ao incluir o número mínimo de técnicas empiricamente validadas que o tornariam acessível, descomplicado e eficaz para o número máximo de pacientes com diversas combinações de sintomas e problemas. Os conteúdos são organizados em 8 módulos entregues on-line em 12 sessões semanais de 1,5 horas e incluirão uma combinação de recursos baseados na Internet (questionários de automonitoramento, vídeos psicoeducacionais, práticas de habilidades vinculadas a cada módulo) e sessões de terapia de grupo ministradas por um especialista cognitivo-comportamental qualificado. terapeuta.

A unidade de randomização (cluster) será cada serviço NHS-TT participante. Os NHS Trusts são organizações mais amplas que gerem um ou mais serviços do NHS-TT, pelo que a unidade de aleatorização é a equipa local. Todos os pacientes tratados no mesmo serviço local serão membros do mesmo cluster. Os serviços participantes serão alocados aleatoriamente em um dos 5 braços. Cada braço incluirá o mesmo tratamento de Protocolo Unificado em grupo online de 12 sessões, mas organizado em uma sequência diferente. Os dois primeiros módulos permanecerão fixos no início da intervenção, pois estas sessões de introdução são necessárias para orientar todos os pacientes para o tratamento e estabelecer um processo de grupo coeso. Da mesma forma, o módulo final é fixado no final da intervenção, uma vez que inclui uma revisão global de todas as competências de enfrentamento e centra-se na prevenção de recaídas. Os módulos intermediários cobrem habilidades específicas de regulação emocional e são mais passíveis de personalização (por exemplo, alguns podem ser mais ou menos eficazes para pacientes específicos). Esses módulos prescritivos serão entregues em sequências diferentes em cada um dos braços de teste.

Os participantes completarão as medidas de linha de base na entrada no estudo, medidas semanais de resultados de sintomas antes de cada sessão e uma pesquisa pós-tratamento (sessão 12) e de acompanhamento de 6 meses. O resultado primário será afetividade negativa (NA), com base em uma pontuação composta agrupando itens do Questionário de Saúde do Paciente-9 (PHQ-9; depressão), escala de Transtorno de Ansiedade Generalizada-7 (GAD-7; ansiedade) e Trabalho e Ajustamento Social Escala (WSAS; funcionamento). Os resultados secundários serão Qualidade de vida (EuroQol - 5 dimensões; EQ5D), Bem-estar (Escala de Bem-Estar Mental de Warwick e Edimburgo; WEMWBS) e abandono do tratamento.

Os pesquisadores também coletarão registros clínicos de saúde anonimizados para todos os pacientes que acessam a TCC entregue individualmente nos serviços participantes durante o período do ensaio clínico. Esses dados incluirão dados demográficos, cuidados clínicos e resultados clínicos. Isto permitirá aos investigadores realizar comparações clínicas e de custo-eficácia utilizando uma estratégia de correspondência caso-controlo descrita no plano de análise estatística.

O plano de análise estatística será realizado em três etapas vinculadas a cada um dos objetivos do estudo.

Objetivo 1: comparar resultados de diferentes sequências do módulo UP Esta será a análise primária, na qual se baseia o cálculo do tamanho da amostra. Casos com pontos de dados pós-tratamento ausentes (12ª sessão) na variável dependente serão imputados usando o pacote MissForest R usando todas as variáveis ​​​​de linha de base como preditores. As imputações serão realizadas separadamente para cada braço experimental. A análise aplicará um modelo linear multinível (efeitos mistos), onde os pacientes serão aninhados dentro de grupos, inserindo um efeito aleatório para o nível do grupo. A variável dependente será a pontuação de Afetividade Negativa (NA) pós-tratamento, entrando no braço do estudo como uma variável independente, controlando a NA basal. Os modelos serão desenvolvidos em etapas sequenciais e os índices de ajuste do modelo (AIC, BIC, -2LL) serão examinados após cada etapa de modelagem. Os pesquisadores reterão e interpretarão o modelo mais adequado e mais parcimonioso alcançado por meio deste processo gradual, usando o teste de razão de log-verossimilhança -2 para comparar modelos. O coeficiente de correlação intra-cluster (ICC) será relatado como um índice de variabilidade nos resultados do tratamento atribuíveis ao nível do grupo. Os tamanhos de efeito entre grupos (d de Cohen) serão calculados e relatados para cada contraste (por exemplo, sequência UP padrão vs. outras sequências).

Análise secundária: O plano de análise acima será repetido usando um modelo logístico multinível com abandono como variável dependente. A variável desistência será derivada dos registros de atendimentos em terapia de grupo, onde os casos que compareceram a mais da metade (≥6) sessões serão agrupados na categoria de referência (código = 0) e os casos que compareceram a menos da metade (≤5) serão classificados como casos que desistiram (código = 1).

Objetivo 2: desenvolver um método de seleção de módulo personalizado. Casos com pontos de dados ausentes na variável dependente serão imputados usando o pacote MissForest R usando todas as variáveis ​​de linha de base como preditores, com imputações separadas nas partições de treinamento/validação e dentro de cada braço de teste. A melhoria confiável (RI) refere-se a uma redução na gravidade dos sintomas entre dois momentos, que é maior em magnitude do que o índice de mudança confiável para a medida psicométrica. Seguindo esta definição, os investigadores classificarão os casos usando uma variável binária denotando se eles tiveram (código = 1) ou não (código = 0) melhoria confiável após exposição a um módulo prescritivo do Protocolo Unificado. Esta codificação permitir-nos-á identificar casos que apresentam melhorias sintomáticas fiáveis ​​após a exposição a cada um dos módulos alvo, independentemente de onde o módulo está localizado (por exemplo, no início, meio ou fim da intervenção) na intervenção de grupo em que foram submetidos. alocado para. Essa metodologia permitirá aos pesquisadores controlar o sequenciamento e os efeitos da resposta precoce, para identificar o perfil dos pacientes que apresentam resposta favorável a cada módulo específico.

Particionamento de amostra: A amostra de teste completa será particionada aleatoriamente em subconjuntos de treinamento e validação usando uma divisão de 60:40, com um número balanceado de cada um dos 5 braços de teste em cada divisão de partição de treinamento. Isso garantirá que 396 casos serão selecionados aleatoriamente na partição de treinamento, excedendo o tamanho mínimo da amostra de 300 necessários para treinar um modelo de predição clínica confiável usando aprendizado de máquina supervisionado.

Desenvolvimento e otimização de modelo (na partição de treinamento): Os pesquisadores produzirão um total de 5 modelos de previsão de aprendizado de máquina, um para cada módulo UP prescritivo. Cada modelo treinado processará entradas (características básicas dos pacientes) e produzirá [a] uma classificação prevista e [b] uma probabilidade prevista correspondente pertencente à classificação. A lógica desses algoritmos é responder à seguinte pergunta: Dadas as características desses pacientes, qual a probabilidade de que esse paciente específico experimente uma melhora confiável após acessar o módulo X? Estratégia de validação cruzada (na amostra de validação): A precisão estatística e a utilidade clínica dos modelos de aprendizado de máquina serão avaliadas na estratégia de validação, comparando as previsões do algoritmo com os resultados observados e comparando os resultados para pacientes que receberam seu módulo ideal primeiro comparado para pacientes que não o fizeram.

Análise secundária: A análise de aprendizado de máquina acima e a estratégia de validação cruzada serão repetidas para treinar um classificador binário com abandono como variável dependente. A variável desistência será derivada dos registros de atendimentos em terapia de grupo, onde os casos que compareceram a mais da metade (≥6) sessões serão agrupados na categoria de referência (código = 0) e os casos que compareceram a menos da metade (≤5) serão classificados como casos que desistiram (código = 1).

Objetivo 3: avaliar a eficácia da terapia de grupo UP habilitada digitalmente versus TCC individual. Esta análise incluirá [a] um subgrupo de participantes de ensaios clínicos que foram designados aleatoriamente para o braço onde o protocolo UP foi entregue na sequência padrão, e [b ] uma amostra correspondente de pacientes que acessaram TCC individual de alta intensidade nos serviços participantes do NHS-TT. Os dados para os casos individuais de TCC serão coletados de registros eletrônicos de saúde. Os casos de TCC que atendem aos critérios de inclusão do estudo listados serão selecionados para esta análise, incluindo apenas os casos em que o problema principal apresentado é identificável em registros clínicos e onde os escores de gravidade da linha de base (PHQ-9, GAD-7, WSAS) estão disponíveis em seu primeiro participou da sessão de TCC. Casos com pontos de dados pós-tratamento ausentes (última sessão atendida) na variável dependente serão imputados usando o pacote MissForest R usando todas as covariáveis ​​​​como preditores. As imputações serão realizadas separadamente para cada grupo (TCC individual; terapia de grupo UP padrão). Os resultados clínicos pós-tratamento (pontuações NA) serão comparados entre os casos que acessam o protocolo UP de grupo padrão versus casos individuais de TCC usando estimativa duplamente robusta, que combina um ajuste para alocação não aleatória para tratamentos e um modelo de regressão ajustado por covariável para testar o efeito causal da exposição a uma intervenção.

Análises secundárias: A análise acima será repetida para comparar os resultados usando medidas específicas do transtorno (PHQ-9, GAD-7, ADSM) para casos com os diagnósticos relevantes. Os tamanhos de efeito entre grupos (d de Cohen) serão calculados e relatados para cada comparação.

Análise económica da saúde: Será realizada uma análise económica na perspectiva do NHS e dos Serviços Sociais Pessoais. Uma análise de custo-utilidade utilizará anos de vida ajustados pela qualidade (QALYs derivados do questionário EQ-5D e tarifa baseada no conjunto de valores públicos do Reino Unido) como medida de qualidade de vida, utilizando o pós-tratamento (última sessão assistida) dados na escala NA na análise primária e dados de acompanhamento de 3 meses em uma análise secundária. A utilização de recursos de serviços sociais e de saúde será avaliada utilizando os custos de referência do NHS e a base de dados de utilização de recursos de serviços pessoais e sociais (PSSRU). Os investigadores estimarão a relação custo-benefício incremental para terapia de grupo versus TCC individual, usando bootstrapping para estimar intervalos de confiança. A incerteza da decisão será apresentada numa curva de aceitabilidade custo-efetividade. Serão realizadas análises de sensibilidade adicionais para utilização de recursos e custos unitários. Uma análise de sensibilidade controlará os custos iniciais. As análises de cenários explorarão perspectivas alternativas de custos; isto é, perspectivas do NHS e do NHS/PSS. Os resultados da análise de custo-eficácia serão comunicados de acordo com a Declaração Consolidada das Normas de Relatório de Avaliação Económica da Saúde de 2022.