Uma intervenção ecológica momentânea baseada no aprendizado de máquina para a promoção da saúde mental na juventude: um ensaio micro-randomizado

O que aconteceu

Intervenções Momentárias Ecológicas (EMIs) usando algoritmos de atribuição baseados em aprendizado de máquina (ML) podem melhorar os resultados de saúde mental, fornecendo mais conteúdo individual, mas evidências estão pendentes. O estudo teve como objetivo determinar se a atribuição baseada em ML de componentes EMI aumenta os efeitos nos desfechos momentâneos de saúde mental quando comparada à atribuição aleatória em jovens da população geral e serviços de aconselhamento psicológico. Realizou-se um ensaio clínico micro-randomizado interno. Os participantes foram distribuídos aleatoriamente até sete vezes ao dia (1:1 razão; até 210 pontos de decisão) para uma condição ML (perimental) ou uma atribuição aleatória (controle ativo) de componentes EMI. Os desfechos próximos foram alterações defasadas no tempo no afeto positivo, resiliência momentânea e afeto negativo em tn+1. A viabilidade e a segurança foram avaliadas. Os desfechos distais incluíram sofrimento psíquico, resiliência e regulação emocional. Foram incluídos 49 jovens (média de 20,6; 78% do sexo feminino). Na linha de base, os participantes relataram sofrimento psíquico leve a moderado em média (K10 média = 23,8, DP = 7,1), com mais de um terço relatando sofrimento moderado ou grave. Para a resiliência momentânea, observou-se um sinal inicial, específico para o desfecho, favorecendo ML, baseado na atribuição aleatória (B = 0,147, intervalo de confiança de 95% (IC), 0,004 - 0,290, p = 0,044), enquanto não houve evidência de efeitos benéficos sobre o efeito positivo ou negativo. Os indicadores de viabilidade apoiaram a realização do treinamento AI4U, com índices favoráveis de satisfação, aceitabilidade e usabilidade, não sendo relatados eventos adversos graves. Comparações pré-post não controladas sugeriram uma pequena redução no sofrimento psíquico (d = -0,23) e melhorias na resiliência (d = 0,55) e regulação emocional adaptativa (d = 0,53). Em conjunto, este estudo demonstra a viabilidade e a segurança preliminar de uma EMI adaptativa baseada em ML em jovens e fornece um sinal inicial, específico do resultado, de que a atribuição baseada em ML pode melhorar a resiliência momentânea em relação à atribuição aleatória, ao mesmo tempo que reforça a necessidade de MRTs maiores e adequadamente alimentados e validação formal de se o desempenho de previsão se traduz em valor político.