Оптимизация результатов психотерапии при тревожных расстройствах с использованием смартфонных и пассивных сенсорных функций: Протокол рандомизированного контролируемого исследования

Прогностические модели в когнитивно-поведенческой терапии (КПТ) для тревожных расстройств

Введение

Когнитивно-поведенческая терапия (КПТ) имеет наиболее убедительные данные о стойком изменении симптомов у большинства психологических расстройств, таких как тревожные расстройства. Тем не менее, только около половины пациентов, получающих КПТ, получают от нее пользу. Прогностические алгоритмы, включая цифровую оценку и пассивные функции сенсоров, могут лучше определить пациентов, которые могут получить пользу от КПТ, и, таким образом, улучшить выбор методов лечения.

Цель

Определить прогностические особенности, предсказывающие реакции на трансдиагностическую КПТ при тревожных расстройствах, и исследовать ключевые механизмы реакции на лечение.

Методы

В рамках 2-ручного рандомизированного контролируемого клинического исследования мы включаем пациентов с тревожными расстройствами, которые рандомизированы в трансдиагностическую группу КПТ или в группу ожидания. Мы индексируем ключевые особенности для прогнозирования реакций перед началом лечения с помощью субъективных самоотчетных опросников, экспериментальных задач, биологических образцов, экологически моментальных оценок, отслеживания активности и пассивных функций смартфонов для создания мультимодального набора функций для прогностического моделирования. Дополнительные оценки проводятся еженедельно в середине и после лечения, а также через 6 и 12 месяцев для определения тяжести симптомов тревожности и депрессии. Мы планируем включить 150 пациентов, рандомизированных в группу КПТ по сравнению с группой ожидания в соотношении 3:1. Набор данных будет подвергнут выбору полного набора функций и важных функций, выбранных с помощью выбора функций с минимальной избыточностью и максимальной релевантностью, а затем подаются в модели машинного обучения, включая экстремальное градиентное ускорение, нейронные сети распознавания образов и ближайшие соседи для прогнозирования реакции на лечение. Будет оценена эффективность разработанных моделей. Помимо прогностического моделирования, мы будем проверять конкретные механистические гипотезы (например, связь между самоэффективностью, ежедневными симптомами, полученными с помощью экологически моментальных оценок, и реакцией на лечение) для выяснения механизмов, лежащих в основе ответа на лечение.

Результаты

Исследование завершено. Оно было утверждено кантонским этическим комитетом Цюриха. Результаты будут распространены через публикации в научных пирорецензируемых журналах и презентации на конференциях.

Заключение

Цель данного исследования – улучшить текущее лечение КПТ путем точного прогнозирования реакции на лечение и понимания и, возможно, усиления основных механизмов и персонализации лечения.

Регистрация идентификатора протокола:

ClinicalTrials.gov NCT03945617; https://clinicaltrials.gov/ct2/show/results/NCT03945617.

Международный зарегистрированный идентификатор отчета (IRRID):

DERR1-10.2196/42547.

PMID:38743473 | DOI:10.2196/42547

Телемедицинские решения для улучшения доступности и качества здравоохранения

Введение

Современная медицина объединяет передовые клинические исследования с передовыми технологиями. Возрастает популярность использования мобильных приложений в клинических исследованиях и мониторинге пациентов, так как это обеспечивает более широкий доступ к медицинским услугам, позволяет отслеживать процесс лечения через смартфоны и привлекать новых пациентов, увеличивая доход и лояльность текущих.

Практическое применение

Рекомендуется начинать с пилотной версии мобильного приложения для оценки его эффективности. Для поддержки в разработке и внедрении технологий обращайтесь в Telegram: t.me/flycodetelegram