使用移动技术加强早期精神病治疗的实施 (RWJFGinger)

该项目包括两个阶段。 在这两个阶段，患者都将使用 Ginger.io 他们的移动设备上的应用程序来完成评估情绪和社交互动的每日调查，以及评估症状的每周调查。 患者还将在加州大学戴维斯分校早期精神病计划中完成每月的黄金标准临床访谈。 入组后，研究人员将要求患者在研究期间参与，即 I 期和 II 期共 14 个月。

第一阶段涉及收集试点数据以评估可行性并进行探索性分析。 参与者将包括处于精神病最早阶段（CHR 和 FEP）的个体。 研究人员将招募 60 名参与者，允许 15% 的辍学率，旨在获得 50 名参与者的完整数据。 鉴于第一阶段强调可行性和可接受性，研究人员将每天监控患者仪表板，并为临床医生提供每位患者的每周摘要。 临床医生和患者将在第一阶段结束时对 Ginger.io 对治疗的满意度和效果进行评分。

第一阶段的具体目标如下：

具体目标 1：确定 Ginger.io 在早期精神病人群中的可行性和可接受性。

可行性将通过应用程序的利用率来衡量（即 注册和活跃参与者的数量与受邀患者的总人数）。 可接受性将通过患者和临床医生对 Ginger.io 的满意度调查评分来衡量。 分析将包括汇总统计报告利用率和满意度。 调查人员假设 Ginger.io 的高利用率和低辍学率，以及对继续使用 Ginger.io 的高满意度和认可。

具体目标 2：确定与临床症状和社会功能的黄金标准测量相关的被动行为数据。

调查人员将检查通过 Ginger.io 收集的被动和主动数据之间的关联。 然后，研究人员将通过检查与症状和社会功能评级的关联来验证主动和被动行为数据，这些评级是通过每月研究评估中进行的黄金标准临床访谈获得的。 研究人员假设患者的被动互动数据将与症状和社交互动的主动调查数据正相关（例如，增加情绪报告将与更多的短信/电话相关），并且关于症状和社交行为的主动和被动数据将与症状和社会功能的黄金标准临床测量。

具体目标 3：识别 Ginger.io 与关键患者结果相关的数据，以告知患者状态警报的校准。

使用回归模型和重复测量 GLM 的探索性分析将检验来自 Ginger.io 的被动和主动数据是否能从统计学上预测关键患者结果，包括精神病症状发作、门诊接触增加、精神病急诊就诊或住院，以及从高风险状态进展为第一集精神病。 研究人员假设电话/短信的减少和/或自我报告的基本症状评级的增加将预测精神病症状发作、诊所利用率增加、精神病急诊就诊和住院治疗。 该分析将用于校准 II 期患者状态警报，通知临床医生哪些患者有症状恶化和复发的风险。

具体目标 4：评估 Ginger.io 对关键治疗变量的影响。 感兴趣的关键变量是药物依从性、治疗联盟和洞察力。 所有三个变量都将使用在项目开始和结束时对患者进行的自我报告问卷（参见涉及的程序）进行测量，并作为每月临床访谈的一部分，从而能够评估随时间的变化。 调查人员假设，经过三个月的 Ginger.io 使用后，患者将报告药物依从性、治疗联盟和对疾病的洞察力得到改善。

第二阶段将通过在加州大学戴维斯分校早期精神病项目（EDAPT 和 SacEDAPT）中实施 Ginger.io 来扩展第一阶段的发现，以允许临床医生直接与仪表板交互并将其信息直接整合到患者护理中。 患者将继续通过 Ginger.io 完成每日和每周的调查， 与研究人员进行每月临床评估。 此外，临床医生将每天监控患者仪表板，并在出现患者状态警报时对其做出响应（参见下面的目标 2）。 第一阶段的参与者将被要求在第二阶段继续参与研究，从而产生更全面的纵向数据集。 第二阶段将涉及总共 120 名参与者（结合第一阶段和新招募的参与者），占 15% 的辍学率，旨在获得至少 100 名参与者的数据。

第二阶段有四个具体目标。

具体目标 1：继续验证 Ginger.io 的预测价值 与关键患者结果相关的数据。

这是第一阶段目标 3 的直接扩展，将通过对来自 Ginger.io 的被动和主动数据的持续线性建模来解决，以识别和测试关键患者结果的统计预测因子。 这将有助于继续校准仪表板中使用的患者状态警报，以便在患者处于临床恶化风险时通知临床医生。

具体目标 2：评估患者状态警报对治疗实施的影响。 感兴趣的关键变量包括临床医生评估的患者状态警报效用、临床医生在警报后选择的治疗方式以及警报通知后的行动响应时间。 为响应每个警报，临床医生将指出他们所追求的临床干预类型（例如 “叫病人登记入住”，“预约精神科医生”）。 所有治疗都将由临床医生驱动并以自然主义的方式提供，并且将收集有关为给定警报选择的治疗类型的数据。 临床医生还将对实用程序进行评级（例如 没用/有用）根据跟进期间收集的信息确定警报。 操作响应时间将通过仪表板交互记录。 初步分析将是探索性的，并将为仪表板的持续改进和患者状态警报的校准提供信息。 将包括有关临床医生反应、平均反应时间和效用评级的汇总统计数据。 研究人员假设临床医生会将患者状态警报评为对他们的治疗计划和干预有用且信息丰富的信息。

具体目标 3：分析 Ginger.io 对护理成本的影响。 感兴趣的关键变量包括门诊护理费用、精神病急诊就诊和住院治疗。 为了评估 Ginger.io 的影响，每位患者的历史平均每月和每年护理费用将与项目期间和完成后的平均每月和每年护理费用进行比较。 研究人员假设 Ginger.io 的实施将减少精神病急诊就诊和住院的次数和持续时间，从而降低成本。

具体目标 4：继续评估 Ginger.io 在早期精神病人群中的可行性和可接受性。

研究人员将继续使用满意度调查评估 Ginger.io 在患者和临床医生中的可行性和可接受性。 研究人员假设患者将继续认可高满意度并继续使用 Ginger.io。 此外，研究人员假设临床医生将报告对 Dashboard 的高满意度，并认可其在临床护理中的继续使用。