用于说服式通信定制的患者体验推荐系统 (PERSPECT)

为了最大限度地提高患者的观点并有效地支持生活方式的选择，我们将开发“用于说服式沟通定制的患者体验推荐系统”。 PERSPeCT 是一个自适应计算机系统，它将评估患者的个人观点，了解患者对健康信息的偏好，并提供与个体患者相关的个性化、有说服力的健康交流。

研究人员建议通过应用先进的机器学习算法根据数千名患者的“集体智慧”自适应地推荐信息来克服现有自上而下的专家驱动的健康交流干预措施的主要弱点。 这项工作将利用一种范式转变的“Web 2.0”方法来实现自适应个性化，并有可能对计算机定制健康通信 (CTHC) 领域产生广泛影响。

使用来自科学专家的知识，当前的 CTHC 干预措施收集基线患者“档案”，然后使用专家编写的、基于规则的系统将信息定向到患者子集。 这些市场细分干预措施在帮助某些患者实现生活方式目标方面显示出一些希望。 虽然理论上合理，但基于规则的系统可能无法解释对目标人群具有内在重要性的社会文化概念，从而限制了它们的相关性。 此外，规则不适应患者的反馈。

在医疗保健之外，谷歌、亚马逊、Netflix 和 Pandora 等公司广泛使用自适应推荐系统来提供具有增强的个人相关性的内容。 这些系统使用机器学习算法从各种数据源中获取个性化推荐，包括从个人用户收集的偏好反馈。

在这个以患者为中心的结果研究所 (PCORI) 试点的范围内，研究人员将在患者戒烟决策支持的特定背景下解决将机器学习推荐系统适应 CTHC 的挑战。 调查人员之所以选择这个领域，是因为吸烟是一个主要的可预防死因，而且因为我们现有的数据库包含 1,000 条说服性信息，这些信息是在当前的联邦拨款 (R01 CA129091) 中开发的。 具体的学习目标是：

目标 1：收集明确的反馈数据以培训 PERSPeCT 使用多种免费策略招募 700 名吸烟者，并使用网络界面，要求吸烟者提供 (a) 对吸烟和戒烟的看法以及社会文化背景信息，以及 (b) 评级戒烟信息的影响方面。

目标 2：设计、实施和验证定制的推荐框架 这将涉及 (a) 开发和实施机器学习推荐系统，该系统集成了患者资料、消息元数据、网站浏览量和影响评级，以及 (b) 训练模型和验证它的预测性能。

目标 3：进行 PERSPeCT 的试点随机试验（n = 120 名吸烟者）。 调查人员假设 PERSPeCT 系统将 (H1) 选择随着吸烟者提供更多消息评级而增加影响力的消息，以及 (H2) 当吸烟者提供足够数量的评级时选择比基于规则的 CTHC 系统具有更好影响的消息 CTHC 系统支持患者决策关于行为、生活方式和选择。 PERSPeCT 涉及 PCORI 感兴趣的领域，即：1) 在研究患者控制范围内的行为、生活方式和选择时，识别、测试和/或评估可用于评估患者观点的方法； 2) 开发、完善、测试和/或评估以患者为中心的方法，包括决策支持工具。 该研究团队具有独特的优势，可以在 PCORI 试点范围内实现这些雄心勃勃的目标，因为研究人员将利用现有的先前研究中有说服力的信息数据库、关于这些信息有效性的两年数据以及一个跨学科团队健康传播、网络系统工程和机器学习推荐系统方面的专业知识。