使用机器学习优化用户参与度和对数字心理健康干预的临床反应

数字心理健康干预是一种具有成本效益且有效的方法，可以扩大心理治疗的可及性和影响；然而，很少有指导为特定个人选择最有效的计划。 在拟议的研究中，将制定决策规则以选择最有可能成为每个用户最佳干预措施的数字程序。 这些治疗建议可以在大型医疗服务系统的背景下实施，以改善大规模数字心理健康干预措施的实施。

当前研究的总体目标是更好地了解领先的数字干预措施为谁以及如何在大型医疗保健环境中发挥作用。 该研究以现有文献为基础，并遵循专家建议，使用机器学习 (ML) 方法为情绪障碍（例如焦虑、抑郁和相关心理健康障碍）的三种主要数字干预制定精确治疗规则 (PTR)。 具体来说，ML 方法将用于开发 PTR，以优化临床结果和相关的干预参与。 这项研究将利用波士顿大学 (BU)、领先的数字精神保健提供商 SilverCloud Health (SC) 和美国领先的医疗保健提供商之一的 Kaiser Permanente (KP) 之间的独特合作伙伴关系。

将进行一项临床试验 (RCT)，以评估三种不同的经验支持的数字心理健康干预措施（来自 SC 现有的程序库）在从 KP 初级保健和其他临床环境中招募的样本中的相对有效性。 该试验的数据将用于开发具有理论和经验依据的可靠选择算法，用于管理治疗实施决策。 算法将在一个单独的“holdout”数据集中进行验证，方法是检查与分配给非最佳治疗相比，分配给预测的最佳治疗是否与更好的结果相关。 将确定用户参与的作用，以及治疗结果中的其他机制。