Испытание групповой онлайн-психотерапии при распространенных психических расстройствах (UpLift-X)

Протокол исследования, включая полный план статистического анализа, был предварительно зарегистрирован и опубликован в Open Science Framework 4 октября 2024 г. (доступно здесь — https://osf.io/vup9c/).

Прагматичное многоцентровое кластерное факториальное рандомизированное контролируемое исследование с участием служб разговорной терапии Национальной службы здравоохранения (NHS-TT) при тревоге и депрессии (ранее известных как службы IAPT) в Англии. Групповое вмешательство «UPLift» с использованием цифровых технологий, основанное на Едином протоколе, будет доступно пациентам с распространенными психическими расстройствами (и сопутствующими заболеваниями), которые имеют право на получение высокоинтенсивной когнитивно-поведенческой терапии (КПТ) в службах NHS-TT в соответствии с национальными рекомендациями. (Национальный сотрудничающий центр психического здоровья, 2024 г.). Единый протокол — это трансдиагностическое лечение, которое было разработано с учетом широкого спектра эмоциональных расстройств, учитывая частое сочетание депрессии, тревоги, соматоформных и диссоциативных симптомов. Он основан на теориях когнитивно-поведенческой терапии и регулирования эмоций и направлен на то, чтобы помочь пациентам применять ряд навыков регулирования эмоций, направленных на устранение основных распространенных уязвимостей, лежащих в основе ряда проблем психического здоровья: невротизма, низкого воспринимаемого контроля и переоценки угрозы. Протокол следует принципу экономности, включая минимальное количество эмпирически подтвержденных методов, которые сделают его доступным, несложным и эффективным для максимального числа пациентов с различными сочетаниями симптомов и проблем. Содержание организовано по 8 модулям, проводимым онлайн в рамках 12 еженедельных занятий по 1,5 часа, и будет включать в себя комбинацию интернет-ресурсов (анкеты для самоконтроля, психообразовательные видеоролики, практики развития навыков, связанные с каждым модулем) и сеансов групповой терапии, проводимых квалифицированным специалистом по когнитивно-поведенческому обучению. терапевт.

Единицей рандомизации (кластером) будет каждая участвующая служба NHS-TT. Трасты NHS — это более широкие организации, которые управляют одной или несколькими службами NHS-TT, поэтому единицей рандомизации является местная команда. Все пациенты, получающие лечение в одной местной службе, будут членами одного кластера. Участвующие службы будут случайным образом распределены по одному из 5 подразделений. Каждое направление будет включать в себя одно и то же групповое онлайн-лечение по Единому протоколу из 12 сеансов, но организованное в разной последовательности. Первые два модуля останутся фиксированными в начале вмешательства, поскольку эти вводные занятия необходимы для ориентации всех пациентов на лечение и установления сплоченного группового процесса. Аналогичным образом, заключительный модуль фиксируется в конце вмешательства, поскольку он включает общий обзор всех навыков преодоления трудностей и фокусируется на предотвращении рецидивов. Средние модули охватывают конкретные навыки регулирования эмоций и наиболее поддаются персонализации (например, некоторые из них могут быть более или менее эффективными для конкретных пациентов). Эти предписывающие модули будут проводиться в разных последовательностях в каждой из экспериментальных групп.

Участники будут выполнять базовые измерения при входе в исследование, еженедельные измерения результатов симптомов перед каждым сеансом, а также обследование после лечения (сеанс 12) и последующее наблюдение через 6 месяцев. Первичным результатом будет отрицательная аффективность (NA), основанная на объединении совокупных баллов из опросника о состоянии здоровья пациента-9 (PHQ-9; депрессия), шкалы генерализованного тревожного расстройства-7 (GAD-7; тревога) и шкалы трудовой и социальной адаптации. Масштаб (WSAS; функционирует). Вторичными результатами будут качество жизни (EuroQol - 5 измерений; EQ5D), благополучие (Уорвикская и Эдинбургская шкала психического благополучия; WEMWBS) и прекращение лечения.

Исследователи также соберут анонимные клинические медицинские записи для всех пациентов, получающих индивидуальный доступ к КПТ в участвующих службах в течение периода клинического исследования. Эти данные будут включать демографические данные, клиническую помощь и клинические результаты. Это позволит исследователям провести сравнение клинической эффективности и экономической эффективности, используя стратегию сопоставления «случай-контроль», описанную в плане статистического анализа.

План статистического анализа будет осуществляться в три этапа, связанных с каждой из целей исследования.

Задача 1: сравнить результаты различных последовательностей модулей UP. Это будет первичный анализ, на основе которого будет производиться расчет размера выборки. Случаи с отсутствующими точками данных после лечения (12-й сеанс) в зависимой переменной будут вменены с использованием пакета MissForest R с использованием всех базовых переменных в качестве предикторов. Импутации будут проводиться отдельно для каждой экспериментальной группы. В анализе будет применяться линейная многоуровневая модель (со смешанными эффектами), в которой пациенты будут вложены в группы, вводя случайный эффект для уровня группы. Зависимой переменной будет показатель отрицательной аффективности (NA) после лечения, который войдет в группу исследования в качестве независимой переменной, контролирующей исходный уровень NA. Модели будут разрабатываться поэтапно, а индексы соответствия модели (AIC, BIC, -2LL) будут проверяться после каждого этапа моделирования. Исследователи сохранят и интерпретируют наиболее подходящую и наиболее экономичную модель, полученную в результате этого поэтапного процесса, используя тест логарифмического отношения правдоподобия -2 для сравнения моделей. Коэффициент внутрикластерной корреляции (ICC) будет представлен как индекс вариабельности результатов лечения, относящийся к уровню группы. Величина эффекта между группами (d Коэна) будет рассчитана и сообщена для каждого контраста (например, стандартная последовательность UP по сравнению с другими последовательностями).

Вторичный анализ: Приведенный выше план анализа будет повторен с использованием логистической многоуровневой модели с отсевом в качестве зависимой переменной. Переменная отсева будет получена из записей о посещении групповой терапии, где случаи, которые посетили более половины (≥6) сеансов, будут сгруппированы в контрольную категорию (код = 0), а случаи, которые посетили менее половины (≤5) будут классифицированы как как случаи, выбывшие из рассмотрения (код = 1).

Цель 2: разработать персонализированный метод выбора модулей. Случаи с отсутствующими точками данных в зависимой переменной будут вменены с использованием пакета MissForest R с использованием всех базовых переменных в качестве предикторов, с отдельными вменениями в разделах обучения/проверки и в каждой группе испытаний. Достоверное улучшение (RI) относится к уменьшению тяжести симптомов между двумя временными точками, которое по величине больше, чем индекс достоверного изменения для психометрического показателя. Следуя этому определению, исследователи будут классифицировать случаи, используя двоичную переменную, обозначающую, было ли у них (код = 1) или нет (код = 0) достоверное улучшение после воздействия предписывающего модуля Единого протокола. Такое кодирование позволит нам идентифицировать случаи, в которых наблюдается достоверное симптоматическое улучшение после воздействия каждого из целевых модулей, независимо от того, где расположен модуль (например, ближе к началу, середине или концу вмешательства) в групповом вмешательстве, в котором они применялись. выделено. Эта методология позволит исследователям контролировать эффекты секвенирования и раннего ответа, определять профиль пациентов, которые имеют благоприятный ответ на каждый конкретный модуль.

Разделение выборки: полная пробная выборка будет случайным образом разделена на обучающую и проверочную подгруппы с использованием разделения 60:40 со сбалансированным числом от каждой из 5 пробных групп в каждом разделении обучающего раздела. Это гарантирует, что 396 случаев будут случайным образом выбраны в обучающий раздел, что превышает минимальный размер выборки в 300, необходимый для обучения надежной модели клинического прогнозирования с использованием контролируемого машинного обучения.

Разработка и оптимизация моделей (в разделе обучения). Исследователи создадут в общей сложности 5 моделей прогнозирования машинного обучения, по одной для каждого предписывающего модуля UP. Каждая обученная модель будет обрабатывать входные данные (исходные характеристики пациентов) и выводить [a] прогнозируемую классификацию и [b] соответствующую прогнозируемую вероятность, относящуюся к классификации. Логика этих алгоритмов состоит в том, чтобы ответить на следующий вопрос: учитывая эти характеристики пациента, насколько вероятно, что у этого конкретного пациента будет достоверное улучшение после доступа к модулю X? Стратегия перекрестной проверки (в выборке проверки). Статистическая точность и клиническая полезность моделей машинного обучения будут оцениваться в стратегии проверки путем сравнения прогнозов алгоритма с наблюдаемыми результатами и сравнения результатов для пациентов, которые сначала сравнивали свой оптимальный модуль. пациентам, которые этого не сделали.

Вторичный анализ. Приведенный выше анализ машинного обучения и стратегия перекрестной проверки будут повторены для обучения двоичного классификатора с отсевом в качестве зависимой переменной. Переменная отсева будет получена из записей о посещении групповой терапии, где случаи, которые посетили более половины (≥6) сеансов, будут сгруппированы в контрольную категорию (код = 0), а случаи, которые посетили менее половины (≤5) будут классифицированы как как случаи, выбывшие из рассмотрения (код = 1).

Цель 3: оценить эффективность групповой терапии UP с использованием цифровых технологий по сравнению с индивидуальной КПТ. Этот анализ будет включать: а) подгруппу участников клинического исследования, которые были случайным образом распределены в группу, где протокол UP применялся в стандартной последовательности, и [b ] подобранная выборка пациентов, получивших доступ к индивидуальной высокоинтенсивной КПТ в участвующих службах NHS-TT. Данные по отдельным случаям КПТ будут взяты из электронных медицинских карт. Случаи КПТ, соответствующие перечисленным критериям включения в исследование, будут выбраны для этого анализа, включая только те случаи, когда первичная проблема диагностируется в клинических записях и когда исходные показатели тяжести (PHQ-9, GAD-7, WSAS) доступны с самого начала. посетил сессию CBT. Случаи с отсутствующими точками данных после лечения (последний посещенный сеанс) в зависимой переменной будут вменены с использованием пакета MissForest R с использованием всех ковариат в качестве предикторов. Вменения будут проводиться отдельно для каждой группы (индивидуальная КПТ; стандартная групповая терапия UP). Клинические результаты после лечения (баллы NA) будут сравниваться между случаями, получившими доступ к стандартному групповому протоколу UP, и отдельными случаями КПТ, используя двойную робастную оценку, которая сочетает в себе поправку на неслучайное распределение по лечениям и регрессионную модель с поправкой на ковариаты для проверки причинный эффект воздействия вмешательства.

Вторичный анализ: приведенный выше анализ будет повторен для сравнения результатов с использованием показателей, специфичных для расстройства (PHQ-9, GAD-7, ADSM) для случаев с соответствующими диагнозами. Величина межгруппового эффекта (d Коэна) будет рассчитана и сообщена для каждого сравнения.

Экономический анализ здравоохранения: Экономический анализ будет проводиться с точки зрения Национальной службы здравоохранения и персональных социальных служб. В анализе затрат и полезности будут использоваться годы жизни с поправкой на качество (QALY, полученные из опросника EQ-5D, и тариф, основанный на наборе общественных ценностей Великобритании) в качестве меры качества жизни с использованием периода после лечения (последнее посещение сеанса). данные по шкале NA в первичном анализе и данные наблюдения через 3 месяца во вторичном анализе. Использование ресурсов здравоохранения и социальных услуг будет оцениваться с использованием эталонных затрат Национальной службы здравоохранения и базы данных использования ресурсов личных и социальных услуг (PSSRU). Исследователи оценят коэффициент дополнительной экономической эффективности групповой терапии по сравнению с индивидуальной КПТ, используя начальную загрузку для оценки доверительных интервалов. Неопределенность решения будет представлена ​​на кривой приемлемости экономической эффективности. Будет проведен дополнительный анализ чувствительности использования ресурсов и удельных затрат. Анализ чувствительности позволит контролировать базовые затраты. Анализ сценариев позволит изучить альтернативные перспективы расчета затрат; то есть перспективы NHS и NHS/PSS. Результаты анализа экономической эффективности будут представлены в соответствии с Заявлением 2022 года о Консолидированных стандартах отчетности по экономической оценке здравоохранения.