Eficácia da Aplicação Safe Haven (App) Entre Estudantes Universitários

Contexto: Os estudantes universitários enfrentam um período de transição crítico marcado por fatores de stresse significativos e uma elevada prevalência de problemas de saúde mental. No entanto, os comportamentos de procura de ajuda permanecem baixos devido ao estigma e a barreiras estruturais. Embora as aplicações de saúde móvel (mHealth) ofereçam uma solução escalável, as intervenções existentes frequentemente dependem de conteúdo estático e carecem de capacidade de resposta em tempo real aos estados psicológicos flutuantes dos estudantes. Este estudo introduz o "Safe Haven", um sistema de Intervenção Adaptativa Just-in-Time (JITAI) que integra a automonitorização com a estratificação de risco para fornecer suporte personalizado. Este estudo tem como objetivo avaliar a eficácia da aplicação Safe Haven na redução do sofrimento psicológico e na melhoria da literacia em saúde mental, em comparação com apenas os cuidados padrão do campus.

Desenho do Estudo: Este estudo emprega um ensaio controlado randomizado (ECR) de grupos paralelos, com dois braços. Serão recrutados um total de 68 estudantes universitários elegíveis de uma universidade nacional no sul de Taiwan. Após completarem as avaliações basais (T0), os participantes serão randomizados numa proporção de 1:1 para o Grupo Experimental ou para o Grupo de Controlo em Lista de Espera.

Detalhes da Intervenção

Grupo Experimental (Aplicação Safe Haven + TAU): Os participantes deste grupo terão acesso à aplicação Safe Haven durante um período de 3 meses, além de manterem acesso total aos serviços padrão de aconselhamento e saúde mental no campus (Tratamento Habitual, TAU). A aplicação Safe Haven inclui cinco componentes principais:

1. Monitorização de Humor e Sono Visualiza tendências longitudinais nos relatórios diários de humor e sono e nas pontuações semanais de avaliação psicológica para suportar a automonitorização e a autoconsciência.
2. Recolha de Dados de Fenotipagem Digital Recolhe dados ativos de autorrelato e dados passivos opcionais de mobilidade para suportar a monitorização em tempo real e a previsão de risco de saúde mental.
3. Sistema de Cuidados Escalonados por Estratificação de Risco Utiliza aprendizagem automática para classificar os utilizadores em cinco níveis de risco de saúde mental, cada um associado a um protocolo de intervenção escalonado, desde o suporte à autogestão até à resposta de emergência.
4. Suporte Just-in-Time Baseado em Chatbot Fornece suporte emocional em tempo real através de um chatbot de IA, enquanto monitoriza as entradas do utilizador em busca de indicadores de alto risco e aciona protocolos de emergência quando detetados.
5. Módulos de Psicoeducação Disponibiliza conteúdo psicoeducativo animado com breves questionários e um sistema de recompensa gamificado, juntamente com informações sobre recursos de saúde mental do campus e da comunidade.

Grupo de Controlo em Lista de Espera (Apenas TAU): Os participantes deste grupo manterão acesso aos serviços padrão de aconselhamento e saúde mental no campus (TAU), mas não terão acesso à aplicação Safe Haven durante o período de intervenção de 3 meses. Para garantir padrões éticos, a estes participantes será oferecido acesso à aplicação Safe Haven após completarem a avaliação de seguimento final (T2).

Procedimentos do Estudo A recolha de dados ocorrerá em três momentos:

1. Linha de Base (T0): Após o recrutamento e antes da randomização.
2. Pós-Intervenção (T1): Imediatamente após o período de intervenção de 3 meses. Os participantes do grupo experimental também completarão a Escala de Usabilidade do Sistema (SUS) neste momento.
3. Seguimento (T2): 3 meses após o término da intervenção.

Medidas de Resultado Os resultados primários são as alterações no sofrimento psicológico geral (medido pelo CHQ-12) e nos sintomas de depressão, ansiedade e stresse (medidos pelo DASS-21). Os resultados secundários incluem alterações na literacia em saúde mental (medida pelo MHLS-HPG) e no envolvimento com a intervenção (medido pelos registos de utilização da aplicação e pelas pontuações SUS).

Plano de Análise Estatística Os dados serão analisados utilizando o IBM SPSS Statistics. A análise primária seguirá o princípio de Intenção de Tratar (ITT). Serão utilizadas Equações de Estimação Generalizadas (GEE) para examinar as alterações longitudinais e testar o efeito de interação Grupo × Tempo nas medidas de resultado. Os modelos GEE serão ajustados para as pontuações basais das respetivas variáveis de resultado. Além disso, quaisquer características demográficas que apresentem diferenças estatisticamente significativas entre os grupos na linha de base serão incluídas como covariáveis. Para o grupo experimental, análises adicionais examinarão a associação entre métricas objetivas de envolvimento (por exemplo, taxas de conclusão) e melhorias clínicas para determinar relações dose-resposta.