STÅ. Alacrity Center signaturprojekt

Community Colleges erbjuder en viktig väg för arbetskraftsutveckling och socioekonomisk vinst, men denna möjlighet mildras av otillfredsställda behov av mentalvårdstjänster, särskilt för depression och ångest, och särskilt för rasistiska/etniska minoritetsstudenter. Ett skalbart och effektivt vårdsystem som hanterar psykiska hälsobehov i samverkan med sociala bestämningsfaktorer för psykisk hälsa är ett stort behov. Alacrity Center syftar till att implementera STAND-systemet för vård, som screenar och behandlar ångest och depression, för en mycket varierad community college-befolkning. STAND-triager till olika vårdnivåer, allt från självstyrd onlineprevention, till coachstyrd online kognitiv beteendeterapi (KBT) till vård som tillhandahålls av läkare. Efter initial triaging gör STAND anpassningar till vårdnivån under hela studietiden (t.ex. flyttas upp till en högre vårdnivå under akut behandling). Dessa triaging- och anpassningsbeslut är för närvarande baserade på nuvarande symtomsvårighet. Sådana beslut kan optimeras med omfattande datadrivna algoritmer som förutsäger behovet av en viss vårdnivå och för anpassning till vårdnivån under hela behandlingen, och särskilt algoritmer som är anpassade till behoven hos underbetjänade collegestudenter som möter betydande livsstressorer. .

Målet med Signaturprojektet är att utvärdera kliniska beslutsfattande algoritmer för (a) triaging till vårdnivå och (b) anpassning av vårdnivån i ett mycket varierat urval av community college-studenter vid East Los Angeles College (ELAC) med låg inkomst. ). Slutmålet är att förbättra effektiviteten av STAND och att främja vetenskapen om personlig mental hälsa. Vi kommer att jämföra standardmetoden som enbart bygger på symtomens svårighetsgrad med en datadriven strategi för beslutsfattande som använder multivariata prediktiva algoritmer som består av statiska och tidsvarierande baslinjer från fyra överlappande och ömsesidigt förstärkande teoretiska konstruktioner: (1) sociala bestämningsfaktorer för psykisk hälsa (sysselsättning, inkomst, bostäder och livsmedelstrygghet, diskriminering, socialt stöd, ras/etnicitet, kultur, immigrationsstatus, kön, sexuell läggning); (2) tidiga motgångar och livsstressorer; (3) predisponerande, möjliggörande och behovsinflytande på användningen av hälsotjänster; och (4) omfattande mental hälsa (depression, ångest och självmords svårighetsgrad, samsjukligheter, neurokognitiv funktion, emotionell dysreglering, användning av reglerande strategier, behandlingshistoria och preferenser, socialt, yrkesmässigt, hem och akademisk funktion). Den övergripande designen är att randomisera ELAC-studenter till antingen symptom severity decision-making (SSD) eller datadrivet beslutsfattande (DDD), och utvärdera om DDD förbättrar följsamheten till behandling, symtom och funktion.

Deltagare kommer att skrivas in under de första två till fyra månaderna av läsåret vid ELAC. Målet är 200 deltagare per år under fem år (n = 1000 totalt). Deltagarna är nuvarande ELAC-studenter mellan 18-40 år. Prediktorer och resultat kommer att bedömas vid baslinjen och antingen varje vecka eller var 8:e vecka fram till vecka 40. Multivariata prediktionsmodeller kommer att användas för initial vårdtriagering och senare anpassningar av vårdnivå baserat på en omfattande uppsättning variabler som har visat sig driva på nuvarande psykiska hälsobehov. Deltagarna kommer att fylla i datoriserade bedömningar och självrapportera frågeformulär. Den totala längden på deltagandet är 40 veckor.