درمان مبتنی بر داده: آینده مراقبت های بهداشت روان

فناوری زندگی ما را تغییر می دهد. همچنان که افراد پیشتاز و خلاق کاربردهای جدیدی را برای فناوری های موجود تولید می کنند، همزمان به تغییر شکل هنجارهای روزمره نیز ادامه می دهند. شاید بعضی ها هنوز در خاطرشان باشد که دانشجویان و محققان برای جستجوی متون و سایر مطالب علمی مانند روزنامه ها و مجلات علمی، به کتابخانه ها مراجعه می کردند.اما اکنون به لطف فناوری های اطلاعاتی، دانش آموزان و دانشجویان می توانند در یک کلاس درس بنشینند و از طریق تلفن هوشمند، تبلت و رایانه به منابع تحقیق دسترسی پیدا کنند.

فناوری، مراقبت های بهداشتی را متحول کرده است. این امکان ذخیره مقدار تقریباً بی پایان سوابق الکترونیکی سلامت و داده های پزشکی را برای ردیابی کارآمد، اثربخشی درمان و مراقبت های هماهنگ برای بسیاری از شرایط سلامتی فراهم می کند. این برنامه ها با افزایش تجزیه و تحلیل تجربیات خود و ارائه ی لحظ ای داده هایی که می توانند برای کمک به حل مشکلات مشتری استفاده شوند، به مشاغل کمک می کنند تا خدماتشان را به مراجعانشان را بهبود بخشند. همین تمرکز، بر تجربه بیمار در مراقبت های بهداشتی نیز وجود دارد. منابع بهداشتی الکترونیکی به مردم این امکان را می دهد تا آگاهی بیشتری داشته باشند، تحصیلات بهتری داشته باشند و به خصوص در مسائل ویژه ای مثل بهداشت روان و یا ترک مواد مخدر با آگاهی ای که از طریق منابع الکترونیک و در دسترس عموم به وجود آمده است، با شرم کمتری به مراکز درمانی مراجعه کنند.

شاید چندان به چشم نیاید اما خدمات بسیار شخصی مانند درمان برای افراد و خانواده ها نیز به طور چشمگیری مبتنی بر فناوری شده اند. استفاده از داده ها انقلابی در نحوه جستجو و دریافت مراقبت های بهداشت روان است. استفاده از یک رویکرد داده محور، بیماران را قادر می سازد از درمان موثرتر بهره مند شوند و افراد را به سمت موفقیت های بالاتر سوق می دهد. این یکی از دلایلی است که چرا افراد با توجه به درمان ممکن است بخواهند به دنبال درمان مبتنی بر داده باشند.

درمان متعارف

روان درمانی متداول دلایل مختلفی وجود دارد که افراد تصمیم می گیرند درمان خود را دنبال کنند. آنها ممکن است یک رویداد آسیب زا یا خسارت قابل توجهی را تجربه کرده باشند و برای پردازش و مقابله با تأثیر ضربه یا غم و اندوه احساس نیاز به کمک حرفه ای کنند. افراد ممکن است با افسردگی ، اختلال دو قطبی ، اختلال اضطراب یا سازگاری با زندگی در یک رابطه ، یک شهر جدید ، یک شغل جدید یا به عنوان والدین جدید دست و پنجه نرم کنند.

دلایل متنوعی که افراد مختلف به خاطر آن به دنبال درمان هستند، امکان ایجاد یک رویکرد مراقبت از بهداشت و درمان رفتاری متناسب با همه بیماران را برای روانشناسان غیرممکن می کند. با توجه به پیچیدگی و تنوع داستان های زندگی ، تجربیات و زمینه های زندگی افراد مختلف، ایجاد یک رویکرد جهان شمول برای درمان تمامی مشکلا و اختلالات مورد نظر هیچ درمانگری نبوده است. دامنه پویایی تقریباً بی حد و حصر، هر فرد وضعیت او را متمایز می کند. یک فرد ممکن است با یک آسیب ناشی از سوء مصرف مواد یا سوء استفاده والیدن روبرو باشد، فرد دیگری ممکن است با اختلال وسواس فکری عملی و همچنین سابقه غفلت و احساس بیگانگی باشد. شخصی که به دلیل مرگ متحمل اندوه و سوگ شده است ممکن وارد یک مرحله ای از روابط آشفته شود که ناشی از غم و اندوه سوگ است.

سلامت روان یک شبکه بسیار پیچیده است. احساساتی مانند احساس گناه ، شک ، ترس و اضطراب می تواند در دامنه وسیعی از شرایط ایجاد و تحریک شود.

این بدان معنی است که ، وقتی صحبت از درمان سوء مصرف مواد و بهداشت روانی می شود، روان درمانگران باید به طور مستمر به دنبال گسترش آنچه می دانند و چگونگی بسته بندی تجربیات قابل توجه و اطلاعات بک گراند مربوط به بیماران خود باشند.

روان درمانی یک روش بسیار موثر برای طیف وسیعی از اختلالات مختلف ، بهداشت رفتاری و اختلالات مصرف مواد است، با این حال تحقیقات نشان می دهد که برخی از درمانگران به شکل موثر تری می توانند این کار را انجام دهند. علاوه بر این، به نظر می رسد که میزان عود روش های مختلف درمان متفاوت است. به عنوان مثال، برای بیش از 50 درصد کسانی که برای درمان افسردگی به درمان رفتاری شناختی (CBT) مراجعه می کنند معمول است که یک سال پس از اتمام درمان درگیر مشکلات مشابه شوند.

بخشی از دلایل تفاوت در یافته های تحقیقات مختلف این است که در دنیای واقعی هرگز پیگری روند درمان و احساس بیمارن از روند درمانی و همچنین نتایج مختلف درمان در شرایط متونعی که برای هر بیمار اتخاذ می شود، همچنین میزان پیشرفت بیماران متخلف در روندهای درمانی متنوع و توسط درمانگران با نگرش های متنوع به صورت مدون ثبت و ضبط و در نظر گرفته نمیشود. به این معنا که اگر رواندرمانگران در طول و بعد از درمان تغییرات افراد را ارزیابی نکنند، اطلاعات مهمی از دست می رود. بدون این نوع داده ها و بازخورد های آنها، نمی توانیم به طور کامل ارزیابی و درک کنیم که چرا برخی از بیماران به سمت درمان خود شتاب می گیرند در حالی که دیگران دست و پا می زنند و درمان را خیلی زود ترک می کنند. به طور مشابه اگر درمانگران قادر به پیگیری و معاینه بیمارانی که درمان خود را به پایان رسانده اند نیستند، در این صورت نمیتوان اثرات بلند مدت درمان را برآورد کرد و میزان اثربخشی را بلندمدت سنجید.

همانطور که پیچیدگی زندگی مردم افزایش می یابد و فناوری موانع بیشتری را از پیش رو بر میدارد، فرصتی الهام بخش به درمانگران ارائه می شود. ما حتی بهتر می توانیم رویکرد خود در درمان را متناسب با تعداد متغیرهای فزاینده ای که هنگام کار با بیمار وجود دارد، تنظیم کنیم که این کار ساده نیست. با این حال، درمانگران می توانند به طور فزاینده، آینده نگرانه و با حداکثر پاسخگویی از فناوری های جدید برای توسعه درمان شخصی سازی شده استفاده کنند، و در نتیجه آن کیفیت مراقبت را بهبود بخشند.

درمان شخصی سازی شده

در بهترین حالت، درمان به جای تلاش برای جا دادن بیماران در چارچوبی که متناسب با همه است، نیازها و ویژگی های منحصر به فرد را تشخیص می دهد و او را در پلن مناسب خود قرار میدهد. مطالعات مستند و متنوع، موارد زیادی را در مورد آنچه می تواند به کاهش اضطراب کمک کند یا نحوه مقابله موثرتر با علائم افسردگی نشان می دهد. با این حال، یافته های مطالعاتی از این دست، عموما برای افرادی که ویژگی های جمعیت مطالعات را بطور متوسط دارا باشند صدق میکند. گرچه از بسیاری جهات بسیار مفید است، اما عملا چیزی به عنوان یک فرد متوسط ​​در دنیای واقعی وجود ندارد به خصوص هنگامی که شخصی در مطب یک درمانگر نشسته است. بنابراین هنگام حرکت از آزمایشگاه روانشناسی به اتاق درمان، درمانگران ماهر یاد می گیرند که “تئوری ها را نگه دارند” و تشخیص می دهند که بهترین درمان درمانی است که متناسب با هر فرد باشد.

همانند اینکه پزشکی شخصی سازی شده مرزهای جدید قدرتمندی در تأمین مزایای اساسی سلامتی برای بیماران انجام میدهد، استفاده های جدید از سیستم های بهداشتی مبتنی بر فناوری و افزایش قدرت محاسباتی، به این معنی است که درمان شخصی سازی شده احتمالاً روش جواب دهنده برای آینده است. به عنوان مثال، یک رویکرد نوظهور در درمان شامل در نظر گرفتن نیازهای بیمار و همچنین ترجیحات شخصی است که در فرآیند انتخاب یک درمانگر گنجانده شده است.

نسخه های بعدی درمان مبتنی بر داده، ایده درمان شخصی سازی شده را با درک نوسانات میزان احساس بیماران و برداشت آنها از روند درمان ترکیب می کنند، و امکان ایجاد تنظیمات درمانی را فراهم می سازند که در غیاب داده ها کاملا دور از ذهن به نظر میرسید. یک مثال عالی برای این امر، درمان با آگاهی از بازخورد[1] (FIT) است که به درمانگران اجازه می دهد بیماران خود را برای شرکت در درمان های بهداشت روان، بیشتر فعال کنند.

درمان با آگاهی از بازخورد (FIT)

یکی از اساسی ترین کاربردهای درمان شخصی سازی شده، ارزیابی اطلاعات بر اساس جلسات فرد برای شناسایی الگوهای رفتاری و ایجاد برنامه های مراقبت شخصی است. FIT شامل جمع آوری و استفاده از درک بیمار از رابطه با درمانگر خود ، همراه با گزارش ها و غربالگری های سلامتی از وضعیت هفته به هفته آنها، برای بررسی با بیماران و ارزیابی پیشرفت نوع خاصی از درمان های بهداشت روان است. همکاری مکرر و مداوم با بیماران در مورد تجربه درمانی می تواند تأثیر مهمی در آنچه منجر به تغییر مثبت و پایدار در درمان می شود، داشته باشد. این فرایند همچنین ممکن است شامل بررسی داده های مربوط به سایر بیمارانی باشد که نوع مشابه و یا سطح علائم مشابه را دارند که به دنبال درمان آنها بوده اند.

با استفاده از FIT ، درمانگران به داده های آماری مربوط به الگوهای پاسخ های بیمار و مراقبت های بهداشت روان دسترسی پیدا میکنند. این می تواند به شناسایی مشکلات بالقوه ای که بیماران از آنها بصورت آگاهانه مطلع نیستند کمک کند، مانند زمانی که بیمار احتمال دارد زودتر از موعد به درمان پایان دهد، زیرا احساس می کند که میزان درمان برای او کافی است!! همچنین می تواند موثرترین دوره درمانی را برای آن فرد خاص برجسته کند تا به درمانگر کمک کند تا روش خود را تنظیم کند تا بهترین استراتژی را برای هر بیمار تعیین کند و احتمال موفقیت و بهبود سلامت عاطفی را بهبود بخشد. FIT از طرحی استفاده می کند که هم مبتنی بر تخصص درمانگران آموزش دیده و هم فناوری داده محور است. این بازخورد به بیمار و درمانگر کمک میکند که مشترکا بتوانند پروتکل موثرتر درمان را با استفاده های داده هایی که در حال حاضر موجود هستند تدوین کنند.

مزایای FIT

بازخورد آگاهانه درمانی و تقویت کردن روش های درمان سنتی با FIT دارای مزایای زیادی است که می تواند نتایج حاصل از درمان سلامت روان را بهبود بخشد. این شفافیت بیشتر  با استفاده از بازخوردهای ایجاد شده، باعث اطمینان از نتایج مثبت در درمان می شود.

به طور خاص اعتقاد بر این است  که مزایای قابل توجه FIT از این قرار می باشد:

چندین منبع داده را برای بررسی بیشتر روند درمان فراهم می کند ،

باعث فراهم آوردن ارزیابی های موثرتر از مراحل مختلف پذیرش و درمان مراجعان میشود،

می تواند به درمانگران در ایجاد برنامه های درمانی شخصی تر و بسیار کارآمد کمک کند که منجر به بهبود سلامت روان شود.

گرفتن داده ها از چندین منبع

درمان مبتنی بر داده به درمانگران اجازه می دهد اطلاعات مختلف مربوط به روند درمان را از بیش از یک منبع دریافت کنند. به عنوان مثال ، ارائه دهندگان خدمات مراقبتی می توانند از بیماران خود پرسشنامه کاملی تهیه کنند که به شرایط و علائم بهداشت روان فعلی، اهداف و پیشرفت درمان و اینکه چقدر فکر می کنند به ادامه درمان نیاز دارند پرداخته شود. این کار را می توان بصورت پرسشنامه های سنتی کاغذی یا رایانه قبل و یا بعد از هر جلسه درمانی آنها انجام داد. سپس داده های جمع آوری شده می توانند همراه با درمانگر در جلسه مورد بررسی و بحث قرار گیرند، که احتمالاً درمانگر را بهتر در جریان روند پیشرفت بیمار قرار میدهد و همچنین نتایج این بررسی می تواند در جای دیگری و توسط درمانگر دیگری نیز مورد بررسی قرار گیرد و به روند درمان بیمار دیگری نیز کمک کند. همچنین داده ها میتوانند در نتیجه این بررسی های بین درمانگری، بر روی روشهای درمانگران دیگر اصلاحات صورت گیرد.

این نوع اطلاعات ممکن است به درمانگران کمک کند قبل از اینکه حتی با بیمار ملاقات کنند، مواردی که به صورت بالقوه ممکن است نیاز باشد در نظر بگیرند و برایش آماده باشند را مورد بررسی قرار دهند. به عنوان مثال، یک درمانگر فقط از طریق داده های مربوط به طلاق می تواند مشکلات مربوط به رابطه ناموفق را در تاریخچه مراجع خود تشخیص دهد. فردی که در طی یک دوره نسبتاً کوتاه چندین رفتار پر خطر بروز می دهد ، ممکن است نیاز باشد با مداخله ی به موقع از ریشه پیدا کردن رفتارهای نامسناسب یا مشکلات روانی در او پیشگیری شود.

از نظرسنجی های پس از جلسه همچنین می توان برای ارزیابی اثربخشی رویکرد درمانی استفاده کرد در حالی که شاخص های بالقوه ای را نشان می دهد که بیمار ممکن است زودتر به درمان پایان دهد ، بدون اینکه دنبال نوع درمان دیگر یا درمانگر مناسب تری باشد.

ارزیابی های موثر

در روان درمانی معمول ، یک درمانگر برای شناسایی الگوها و شکل گیری فرضیه های مربوط به هر بیمار ، به آموزش ، تجربه بالینی و مهارت های مختلف مجهز می شود. با این حال ، هر درمانگری می تواند از اطلاعاتی که از جلسات یک بیمار جمع می کنند برای بازخورد و کمک به بیمار بعدی در شناسایی الگوها استفاده کند. سیستم های FIT با جمع آوری بازخورد و داده ها به طور مستقیم از بیماران به منظور تکمیل این روند طراحی شده اند تا درمانگران اطلاعات بیشتری داشته باشند. این بدان معناست که رویکرد FIT ، درمانگران را قادر می سازد داده های مشخصی را که می توانند با استفاده از روشهای درمانی سنتی برای تهیه برنامه های عملیاتی خاص ، استفاده کنند.

برنامه های درمانی منحصر به فرد و بسیار موثر

روش FIT به منظور در نظر گرفتن اطلاعات خاص از هر بیمار طراحی شده است تا بتواند درمان آنها را متناسب با نیازهای آنها تنظیم کند. با این کار بسیاری از محدودیت های روش یکپارچه برای درمان از بین می رود.

FIT بر اساس روند داده های بیمار ، یک روش درمانی را برای بیمار راهنمایی می کند. این بدان معناست که درمانگر برای نزدیک شدن به کار خود با هر بیمار ، از آگاهی بهتری برخوردار خواهد بود تا احتمال دستیابی به نتیجه مثبت درمان را افزایش دهد. همانطور که گفته شد ، درمانگران همچنین می توانند از جمع آوری داده های مداوم از هر جلسه برای تعیین میزان عملکرد روش درمانی آنها با یک بیمار معین استفاده کنند و از این اطلاعات برای سفارشی سازی بیشتر درمان خود استفاده کنند.

یادگیری عمیق

یادگیری عمیق یک فرایند محاسباتی است که برای تقلید از روش کار مسیرهای مغزی ما طراحی شده است. به عنوان مثال ، فرض کنید شما 100 دلار برای خرید وسایل شخصی در این ماه دارید و از برگزاری کنسرتی که 85 دلار برای هر بلیط هزینه می کند ، مطلع میشوید. برای حضور در این کنسرت به موارد مختلفی مانند اتوبوس و غذا نیز احتیاج دارید اما 15 دلار برای پوشش آن کافی نخواهد بود. شما می خواهید به این کنسرت بروید ، پس چه کاری انجام می دهید؟

وقتی افراد از طریق تصمیماتی از این قبیل فکر می کنند ، ممکن است طیف وسیعی از داده ها را برای انتخاب خود در نظر بگیرند. دو فرد مختلف با یک فرصت مشابه برای خرید آن بلیط و با منابع مالی یکسان ، ممکن است متغیرهای متفاوتی را در نظر بگیرند.

در نهایت ممکن است کسی تصمیم بگیرد که از گرفتن بلیط صرف نظر کند و پول آن را برای سایر نیازهای ماهانه خود خرج کند. ممکن است دیگری توجیه کند که چه مقدار پول می توانند پس انداز کنند یا منابع اضافی را برای بودجه جستجو کنند تا بتوانند از پس بلیط برآید. شرایط و عواملی که داشته باشند ، هر یک از افراد اطلاعات متفاوتی را برای دستیابی به تصمیم گیری به دست می آورند.

یادگیری عمیق این روند فکری را به صورت مصنوعی تکرار می کند. همانطور که توسط Forbes گزارش شده است ، “یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که شبکه های عصبی مصنوعی ، الگوریتم هایی با الهام از مغز انسان ، از مقدار زیادی داده یاد می گیرند. مشابه الگوریتم یادگیری عمیق ، به طور مشابه با آنچه که ما از تجربه یاد می گیریم ، وظیفه ای را به طور مکرر انجام می دهد ، هر بار که برای بهبود نتیجه ، کمی آن را تغییر دهید. “

یادگیری عمیق اعمال شده در روان درمانی

یک برنامه یادگیری عمیق برای درمان می تواند برای بررسی سوابق پزشکی و سایر نقاط داده های سلامت روان جمع آوری شده در طول زمان برای تعیین الگوهای متمایز علائم و بررسی پاسخ به درمان طراحی شود. داده هایی از این دست برای ارزیابی پیشرفت درمان ، کیفیت درمانی بین ارائه دهندگان بهداشت روان و بیماران و اینکه آیا اهداف درمانی مورد توجه قرار می گیرند ، تجزیه و تحلیل می شوند. از برنامه یادگیری عمیق می توان برای پیش بینی هایی استفاده کرد که احتمال نتایج مثبت در درمان را افزایش می دهد و به یک درمانگر اجازه می دهد تا یک فرم درمانی بسیار شخصی سازی شده را ایجاد کند.

چرا ما اعتقاد داریم درمان مبتنی بر داده برای ماندن در اینجاست

ثابت شده است که داده درمانی در گروه درمانی تکنیک های درمانی مبتنی بر DCData برای تقویت فضای باز بین بیمار و درمانگر اثبات شده است ، زیرا بازخورد هر یک مورد استقبال و تشویق قرار می گیرد. تحقیقات اخیر نشان داده است که نظارت بر پیشرفت مداوم مشتری و ارائه بازخورد در زمان واقعی به متخصصان بهداشت روان منجر به مزایای بهداشت رفتاری و بهبود نتیجه درمان تقریباً 65 درصد می شود. روشهای درمانی مبتنی بر داده مانند FIT تا حدی موفقیت آمیز است زیرا بیماران رویکردهای درمانی سفارشی تری را دریافت می کنند که برای آنها به عنوان افراد مفید است. افزایش احتمال موثر بودن درمان به افراد کمک می کند تا به روند کار متعهد شوند. موفقیت FIT در حال حاضر تغییر دیدگاه ها نسبت به درمان است و می توان انتظار داشت که همچنان بیمارانی را جذب کند که در غیر این صورت برای شرکت در درمان مردد هستند و همچنین به لکه دار شدن درمان و بیماری های روانی کمک می کنند. از نقطه نظر ما ، فن آوری جدید و افزایش فضای باز برای استفاده از فناوری برای تقویت درمان ، تازه شروع به نشان دادن پتانسیل واقعی آن برای تحول در مراقبت های بهداشت روان می کند.

[1] Feedback-Informed Treatment