Patienterfarenhetsrekommendationssystem för övertygande kommunikation (PERSPECT)

För att maximera patientperspektivet och effektivt stödja livsstilsval kommer vi att utveckla "Patient Experience Recommender System for Persuasive Communication Tailoring." PERSPeCT är ett adaptivt datorsystem som kommer att bedöma en patients individuella perspektiv, förstå patientens preferenser för hälsomeddelanden och tillhandahålla personlig, övertygande hälsokommunikation som är relevant för den enskilda patienten.

Utredarna föreslår att man ska övervinna viktiga svagheter i befintliga top-down expertdrivna hälsokommunikationsinsatser genom att använda avancerade maskininlärningsalgoritmer för att adaptivt rekommendera meddelanden baserade på den "kollektiva intelligensen" hos tusentals patienter. Detta arbete kommer att utnyttja en paradigmskiftande "Web 2.0"-metod för adaptiv personalisering med potential för bred inverkan på området datoranpassad hälsokommunikation (CTHC).

Med hjälp av kunskap från vetenskapliga experter samlar nuvarande CTHC-interventioner in baslinjepatient-"profiler" och använder sedan expertskrivna, regelbaserade system för att rikta meddelanden till undergrupper av patienter. Dessa marknadssegmenteringsinterventioner visar något lovande när det gäller att hjälpa vissa patienter att nå livsstilsmål. Även om det är teoretiskt välgrundat, kanske regelbaserade system inte tar hänsyn till sociokulturella begrepp som har en inneboende betydelse för målgruppen, vilket begränsar deras relevans. Reglerna anpassar sig inte till patientfeedback.

Utanför vården har företag som Google, Amazon, Netflix och Pandora i stor utsträckning använt adaptiva rekommendationssystem för att tillhandahålla innehåll med ökad personlig relevans. Dessa system använder maskininlärningsalgoritmer för att härleda personliga rekommendationer från en mängd olika datakällor, inklusive preferensfeedback som samlats in från enskilda användare.

Inom ramen för detta pilotprojekt för Patient-Centered Outcomes Research Institute (PCORI), kommer utredarna att ta itu med utmaningarna med att anpassa rekommendationssystem för maskininlärning till CTHC i det specifika sammanhanget av patientens beslutsstöd för rökavvänjning. Utredarna har valt den här domänen eftersom rökning är en viktig dödsorsak som kan förebyggas och för att vi har en befintlig databas med 1 000 övertygande meddelanden utvecklade i ett aktuellt federalt anslag (R01 CA129091). Specifika studiemål är att:

Mål 1: Samla in explicit feedback-data för att utbilda PERSPeCT Rekrytera 700 rökare genom att använda flera, kompletterande strategier och använda ett webbgränssnitt, be rökare att tillhandahålla (a) perspektiv på rökning och att sluta röka och sociokulturell kontextinformation och (b) betyg av den inflytelserika aspekten av meddelanden om rökavvänjning.

Mål 2: Designa, implementera och validera ett skräddarsytt rekommendationsramverk Detta kommer att involvera (a) att utveckla och implementera ett rekommendationssystem för maskininlärning som integrerar patientprofiler, meddelandemetadata, webbplatsvyer och inflytandebetyg, och (b) utbildning av modellen och validering dess prediktiva prestanda.

Syfte 3: Genomför en randomiserad pilotstudie (n = 120 rökare) av PERSPeCT. Utredare antar att PERSPeCT-systemet kommer att (H1) välja meddelanden med ökande inflytande när rökare ger fler meddelandebetyg och (H2) välja meddelanden med bättre inflytande än ett regelbaserat CTHC-system när rökare ger ett tillräckligt antal betyg CTHC-system stöder patientbeslut om beteenden, livsstilar och val. PERSPeCT tar upp intresseområden för PCORI, nämligen: 1) Identifiera, testa och/eller utvärdera metoder som kan användas för att bedöma patientperspektivet när man undersöker beteenden, livsstilar och val inom patientens kontroll; och 2) Utveckla, förfina, testa och/eller utvärdera patientcentrerade tillvägagångssätt, inklusive verktyg för beslutsstöd. Studiegruppen är unikt positionerad för att uppnå dessa ambitiösa mål inom ramen för denna PCORI-pilot eftersom utredarna kommer att använda en befintlig databas med övertygande meddelanden från en tidigare studie, två års data om effektiviteten av dessa meddelanden och ett tvärvetenskapligt team med expertis inom hälsokommunikation, webbsystemsteknik och maskininlärning.