Använda maskininlärning för att optimera användarengagemang och klinisk respons på digitala mentala hälsointerventioner

Digitala insatser för mental hälsa är ett kostnadseffektivt och effektivt tillvägagångssätt för att utöka tillgängligheten och effekten av psykologiska behandlingar; men det finns lite vägledning för att välja det mest effektiva programmet för en given individ. I den föreslagna studien kommer beslutsregler att utvecklas för att välja det digitala program som med största sannolikhet är den optimala interventionen för varje användare. Dessa behandlingsrekommendationer kan implementeras i samband med stora sjukvårdssystem för att förbättra leveransen av digitala mentalvårdsinsatser i stor skala.

Det övergripande syftet med den aktuella studien är att bättre förstå för vem och hur ledande digitala insatser fungerar i en stor vårdmiljö. Studien bygger på den befintliga litteraturen och följer expertrekommendationer genom att använda metoder för maskininlärning (ML) för att utveckla precisionsbehandlingsregler (PTR) för tre ledande digitala interventioner för emotionella störningar (t.ex. ångest, depression och relaterade psykiska störningar). Specifikt kommer ML-metoder att användas för att utveckla PTR:er för att optimera kliniska resultat och tillhörande interventionsengagemang. Denna studie kommer att utnyttja ett unikt partnerskap mellan Boston University (BU), SilverCloud Health (SC) - en ledande leverantör av digital mentalvård - och Kaiser Permanente (KP) - en av USA:s ledande vårdgivare.

En klinisk prövning (RCT) kommer att genomföras för att utvärdera den relativa effektiviteten av tre distinkta empiriskt stödda digitala mentala hälsointerventioner (från SC:s befintliga programbibliotek) i ett urval rekryterat från KP primärvård och andra kliniska miljöer. Data från denna studie kommer att användas för att utveckla teoretiskt och empiriskt informerade, tillförlitliga urvalsalgoritmer för att hantera beslut om behandlingsleverans. Algoritmer kommer att valideras i en separat "holdout"-datauppsättning genom att undersöka om allokering till förutspådd optimal behandling är associerad med överlägsna resultat jämfört med allokering till en icke-optimal behandling. Rollen för användarens engagemang kommer att bestämmas, och andra mekanismer i behandlingsresultatet.