Использование машинного обучения для оптимизации взаимодействия с пользователем и клинического реагирования на цифровые вмешательства в области психического здоровья

Цифровые вмешательства в области психического здоровья — это экономичный и действенный подход к расширению доступности и воздействия психологических методов лечения; однако существует мало рекомендаций по выбору наиболее эффективной программы для данного человека. В предлагаемом исследовании будут разработаны правила принятия решений для выбора цифровой программы, которая, скорее всего, будет оптимальным вмешательством для каждого пользователя. Эти рекомендации по лечению могут быть реализованы в контексте крупных систем оказания медицинской помощи, чтобы улучшить проведение цифровых вмешательств в области психического здоровья в масштабе.

Главной целью текущего исследования является лучшее понимание того, для кого и как ведущие цифровые вмешательства работают в крупных медицинских учреждениях. Исследование основано на существующей литературе и следует рекомендациям экспертов с использованием методов машинного обучения (ML) для разработки точных правил лечения (PTR) для трех ведущих цифровых вмешательств при эмоциональных расстройствах (например, тревога, депрессия и связанные с ними психические расстройства). В частности, методы машинного обучения будут использоваться для разработки PTR для оптимизации клинических результатов и связанного с ними вмешательства. В этом исследовании будет использовано уникальное партнерство между Бостонским университетом (BU), SilverCloud Health (SC) — ведущим поставщиком цифровой психиатрической помощи — и Kaiser Permanente (KP) — одним из ведущих поставщиков медицинских услуг в Америке.

Клиническое испытание (РКИ) будет проведено для оценки относительной эффективности трех различных эмпирически подтвержденных цифровых вмешательств в области психического здоровья (из существующей библиотеки программ SC) в выборке, набранной из учреждений первичной медико-санитарной помощи КП и других клинических учреждений. Данные этого исследования будут использованы для разработки теоретически и эмпирически обоснованных надежных алгоритмов выбора для управления решениями о проведении лечения. Алгоритмы будут проверены в отдельном наборе данных «задержки» путем изучения того, связано ли распределение прогнозируемого оптимального лечения с лучшими результатами по сравнению с распределением неоптимального лечения. Будет определена роль вовлечения пользователей и другие механизмы в исходе лечения.