Autor/autores:
Baee S, Eberle JW, Baglione AN...(et.al)
Antecedentes La salud mental digital es un paradigma prometedor para la atención médica individualizada y centrada en el paciente. Por ejemplo, los programas de modificación de sesgos cognitivos que abordan sesgos de interpretación (modificación de sesgos cognitivos para la interpretación [CBM-I]) pueden ofrecer prácticas para pensar en situaciones...
PUBLICIDAD
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
La salud mental digital es un paradigma prometedor para la atención médica individualizada y centrada en el paciente. Por ejemplo, los programas de modificación de sesgos cognitivos que abordan sesgos de interpretación (modificación de sesgos cognitivos para la interpretación [CBM-I]) pueden ofrecer prácticas para pensar en situaciones ambiguas de manera menos amenazante a través de internet, sin necesidad de un terapeuta.
Sin embargo, las intervenciones de salud mental digital, incluido el CBM-I, suelen enfrentarse a la falta de compromiso sostenido y a altas tasas de abandono. Se necesitan nuevas estrategias para detectar y mitigar el abandono con el fin de mejorar estas intervenciones.
Este estudio tiene como objetivo identificar a los participantes con alto riesgo de abandono durante las etapas iniciales de tres ensayos en línea de múltiples sesiones de CBM-I y examinar qué conjuntos de características autoinformadas y detectadas de manera pasiva, calculadas a partir de la interacción de los participantes con la intervención y las evaluaciones, resultaron más informativas para realizar esta predicción.
Los participantes analizados en este estudio fueron adultos de la comunidad con características como ansiedad o pensamientos negativos sobre el futuro (Estudio 1: n=252, Estudio 2: n=326, Estudio 3: n=699) asignados a condiciones de CBM-I en tres ensayos de eficacia-efectividad en el sitio web público de investigación de nuestro equipo.
Para identificar a los participantes con alto riesgo de abandono, se crearon cuatro conjuntos de características únicos: características basales autoinformadas por los usuarios (por ejemplo, demografía), contexto y reacciones al programa informados por los usuarios (por ejemplo, afecto momentáneo), funcionamiento clínico autoinformado por los usuarios (por ejemplo, síntomas de salud mental) y comportamiento del usuario detectado de manera pasiva en el sitio web (por ejemplo, tiempo dedicado a una página web de ejercicios de CBM-I, hora del día en que se completaron los ejercicios, latencia para completar las evaluaciones y tipo de dispositivo utilizado).
Luego, se investigaron estos conjuntos de características como posibles predictores de los participantes con alto riesgo de no comenzar la segunda sesión de entrenamiento de un programa determinado, utilizando algoritmos de aprendizaje automático ampliamente conocidos.
El algoritmo de mejora de gradiente extremo (extreme gradient boosting) tuvo el mejor desempeño e identificó a los participantes con alto riesgo con macro-puntajes F1 de 0. 832 (Estudio 1 con 146 características), 0. 770 (Estudio 2 con 87 características) y 0. 917 (Estudio 3 con 127 características).
Las características relacionadas con la detección pasiva del comportamiento del usuario contribuyeron más a la predicción en comparación con otras características. Los puntajes promedio de importancia Gini para las características pasivas fueron los siguientes: 0. 033 (IC del 95%: 0. 019-0. 047) en el Estudio 1; 0. 029 (IC del 95%: 0. 023-0. 035) en el Estudio 2; y 0. 045 (IC del 95%: 0. 039-0. 051) en el Estudio 3. Sin embargo, el uso de todas las características extraídas de un estudio condujo al mejor rendimiento predictivo.
Estos resultados sugieren que el uso de indicadores pasivos del comportamiento del usuario, junto con medidas autoinformadas, puede mejorar la precisión en la predicción de participantes con alto riesgo de abandono temprano en programas de CBM-I de múltiples sesiones.
Además, nuestros análisis destacan el desafío de la generalización en los estudios de intervenciones de salud digital y la necesidad de estrategias más personalizadas para prevenir el abandono.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://mental.jmir.org/
Solicitado créditos