Förbättra engagemanget med digital mentalvård

Digital mental hälsa (DMH) är användningen av teknik för att förbättra befolkningens välbefinnande genom snabb upptäckt av sjukdomar, resultatmätning och vård. Även om flera randomiserade kliniska prövningar har visat att digitala verktyg för mental hälsa är mycket effektiva, upprätthåller de flesta konsumenter inte sin användning av dessa verktyg. Fältet saknar för närvarande en förståelse för DMH-verktygsengagemang, hur engagemang är förknippat med välbefinnande och vilka metoder som är effektiva för att upprätthålla engagemang. I detta partnerskap mellan Mental Health America (MHA), Talkspace (TS) och University of Washington (UW), föreslår utredarna ett naturalistiskt och experimentellt, teoridrivet forskningsprogram, med syftet att förstå 1) hur konsumentengagemang i självhjälps- och klinikassisterad DMH varierar och vilka engagemangsmönster som finns, 2) sambandet mellan engagemangsmönster och viktiga konsumentresultat, och 3) effektiviteten av personliga strategier för optimalt engagemang med DMH-behandling.

Den här studien kommer prospektivt att följa ett stort, naturalistiskt urval av MHA- och TS-konsumenter, och kommer att tillämpa maskininlärning, användarcentrerade designstrategier och mikrorandomiserade och sekventiella multiple assignment randomized (SMART) försök för att möta dessa syften. Som vanlig praxis för båda plattformarna kommer konsumenter att genomföra onlinescreening och bedömning av mental hälsa, och utredarna kommer att kunna klassificera deltagare efter sjukdomsstatus och symtomsvårighet. Provet som utredarna kommer att arbeta med kommer inte att begränsas av diagnos eller samsjuklighet. Deltagarna kommer att vara 10 år och äldre och gå in på MHA- och TS-plattformarna i framtiden över 4 år. För att testa det första syftet kommer utredarna att identifiera minst 100 000 konsumenter som har använt MHA- och TS-plattformar tidigare. Deltagardata kommer att analyseras statistiskt för att avslöja skillnader i engagemang och avhopp mellan grupper baserat på demografi, symtom och plattformsaktivitet. För mål 2 kommer utredarna att använda övervakade maskininlärningstekniker för att identifiera undertyper baserade på konsumentdemografi, engagemangsmönster med DMH, orsaker till avbrott, framgång för befintliga MHA- och TS-engagemangsstrategier och tillfredsställelse med DMH-verktygen, som är förutsägande för framtiden engagemangsmönster. Slutligen, baserat på resultaten från mål 2, i mål 3 kommer utredarna att genomföra fokusgrupper som tillämpar användarcentrerade designstrategier för att identifiera och sambygga potentiellt effektiva engagemangsstrategier för särskilda klientundertyper. Utredarna kommer sedan att genomföra en serie mikrorandomiserade och SMART-studier för att avgöra vilka teoridrivna engagemangsstrategier, samdesignade med användare, som passar bäst med undertyper som utvecklats under mål 2. Utredarna kommer att testa effektiviteten av dessa strategier för att 1) förhindra urkoppling från dem som har större sannolikhet att få dåliga resultat efter urkoppling, 2) förbättra rörelsen från motivation till vilje och, 3) förbättra optimal dos av DMH-engagemang och följaktligen förbättra resultaten för mental hälsa. Dessa data kommer att analyseras med hjälp av longitudinella blandade effektmodeller med effektkodning för att uppskatta effektiviteten av varje strategi på klientengagemangsbeteende och mentala hälsoresultat.