Cyfrowe fenotypowanie w ocenie ryzyka nawrotu u dorosłych z zaburzeniem używania alkoholu – możliwości monitorowania i interwencji

Wstęp

W zaburzeniu używania alkoholu (alcohol use disorder – AUD) nawrót rzadko zaczyna się od samego picia. Zwykle wcześniej pojawiają się zmiany stanu emocjonalnego, nasilenie głodu alkoholu, zaburzenia rytmu dnia, impulsywność i wpływ bieżącego kontekstu środowiskowego [1–3]. W niniejszym artykule przez nawrót rozumiemy przede wszystkim powrót do picia po okresie abstynencji lub wyraźnej poprawy klinicznej, ale uwzględniamy także stany poprzedzające pełny nawrót, gdy szybko narasta ryzyko utraty kontroli. Takie ujęcie przesuwa uwagę z samego faktu nawrotu na sygnały, które pojawiają się wcześ­niej. W codziennej praktyce psychiatrycznej ryzyko nawrotu ocenia się głównie na podstawie wywiadu, samoopisu pacjenta i okresowych wizyt kontrolnych. Takie postępowanie jest konieczne, ale ma też istotne ograniczenia. Dane retrospektywne zależą od pamięci pacjenta, jego aktualnego wglądu oraz gotowości do ujawniania trudnych doświadczeń. Nie obejmują też krótkotrwałych, szybko zmieniających się stanów poprzedzających powrót do picia. Badania wykorzystujące ekologiczną chwilową ocenę doświadczeń i zachowań w naturalnym środowisku pacjenta (ecological momentary assessment – EMA) pokazują, że głód alkoholu, napięcie, negatywny afekt oraz sytuacyjne wyzwalacze picia mogą wyraźnie się wahać w ciągu jednego dnia i wiązać z ryzykiem ponownego użycia alkoholu [2–4].
Cyfrowe fenotypowanie staje się szczególnie interesującym narzędziem, ponieważ wykorzystuje dane z urządzeń cyfrowych do opisu wzorców zachowania, aktywności i funkcjonowania psychicznego człowieka [5–7]. W sensie ścisłym odnosi się ono głównie do danych pasywnych i półpasywnych. W praktyce klinicznej zwykle jest jednak połączone z EMA, czyli krótkimi, powtarzanymi samoopisami w naturalnym środowisku pacjenta, oraz z szerszym zdalnym monitorowaniem, ponieważ to właśnie integracja tych źródeł ma dziś największe znaczenie kliniczne [5–8].
W AUD bardziej użyteczne niż samo precyzyjne przewidywanie nawrotu wydaje się wczesne rozpoznanie momentu, w którym ryzyko zaczyna narastać. Dotychczasowe badania sugerują, że połączenie samoopisów z danymi pasywnymi może pomagać w rozpoznawaniu wzorców poprzedzających pogorszenie, takich jak wzrost głodu alkoholu, nasilenie negatywnego afektu, zmiana aktywności, rozchwianie snu lub kontakt z określonymi kontekstami środowiskowymi [6–10]. Równie ważne jest powiązanie zebranych danych z odpowiednio dobraną interwencją. Doniesienia dotyczące mobilnych narzędzi wspomagających leczenie pokazują, że rozwiązania oparte na bieżącej ocenie stanu pacjenta mogą wspierać zdrowienie, ograniczać ryzykowne picie i wzmacniać strategie radzenia sobie w sytuacjach zagrożenia [11–16].
Takie podejście należy jednak oceniać ostrożnie. Dostępne badania są zróżnicowane metodologicznie, obejmują odmienne narzędzia pomiarowe i nie zawsze posługują się jednolitymi definicjami badanych wskaźników. Trudności wynikają także z konieczności utrzymania zaangażowania uczestników, braków danych, potrzeby zapewnienia ochrony prywatności oraz bezpieczeństwa informacji [5–8, 16]. Niniejsza praca ma charakter przeglądu narracyjnego i nie obejmuje formalnej oceny jakości badań, dlatego wnioski należy traktować jako syntetyczne uporządkowanie kierunku badań, a nie hierarchiczną analizę siły dowodów.

Cyfrowe fenotypowanie w zaburzeniu używania alkoholu

Cyfrowe fenotypowanie ma służyć uchwyceniu codziennego funkcjonowania pacjenta na podstawie danych zbieranych przez urządzenia cyfrowe. W sensie ścisłym odnosi się ono głównie do danych pasywnych i półpasywnych, jednak w praktyce klinicznej zwykle współwystępuje z EMA i innymi formami zdalnego monitorowania [5–8]. W AUD takie połączenie jest szczególnie ważne, ponieważ obraz kliniczny wyraźnie zmienia się pod wpływem sytuacji, obciążenia emocjonalnego i ekspozycji na bodźce związane z piciem [1, 2, 5].
Podstawą tego podejścia stały się badania wykorzystujące EMA, czyli wielokrotną ocenę doświadczeń i zachowań w naturalnym kontekście. Dzięki tej metodzie można było odejść od wyłącznie retrospektywnego opisu picia i jego następstw. Pokazano, że głód alkoholu, napięcie, negatywny afekt i motywy picia zmieniają się w ciągu dnia oraz są powiązane z bieżącym zachowaniem pacjenta [1–4]. Dzięki temu nawrót przestaje być postrzegany jako nagłe, izolowane zdarzenie, a coraz częściej jest rozumiany jako proces rozwijający się w czasie [2–4].
W AUD cyfrowe fenotypowanie obejmuje zarówno dane aktywne, jak i pasywne. Do pierwszej grupy należą krótkie samoopisy dotyczące nastroju, stresu, głodu alkoholu, kontaktu z wyzwalaczami picia czy aktualnego użycia substancji. Dane pasywne mogą dotyczyć aktywności ruchowej, snu, lokalizacji, regularności przemieszczania się, korzystania z telefonu, a w niektórych projektach także pomiarów z biosensorów alkoholowych i urządzeń ubieralnych [5–8]. Kliniczna wartość tego połączenia wynika z zestawienia doświadczenia subiektywnego z bardziej obiektywnym obrazem codziennego funkcjonowania. W praktyce klinicznej nie chodzi o sam telefon, lecz o te aspekty funkcjonowania pacjenta, które mają znaczenie kliniczne. Najlepiej uzasadnione są wskaźniki bezpośrednie, takie jak głód alkoholu, negatywny afekt, stres czy samotność, oraz wskaźniki pośrednie, obejmujące sen, rytm dnia, destabilizację aktywności i ekspozycję na miejsca lub osoby związane z piciem [1–4, 6–8]. Znacznie słabiej opisane są markery bardziej odległe, interpretowane bez kontekstu klinicznego [6–8].
O wartości klinicznej tego rozwiązania decyduje przede wszystkim to, że pozwala ono uchwycić zmiany zachodzące u tej samej osoby w czasie. W klasycznej praktyce psychiatrycznej pacjent przynosi zwykle uśredniony, retrospektywny opis ostatnich dni lub tygodni. Tymczasem to właśnie krótkotrwałe zmiany stanu emocjonalnego i kontekstu sytuacyjnego mogą najsilniej wiązać się z ryzykiem ponownego picia [2–4]. Nie chodzi więc jedynie o większą ilość danych, ale o inne spojrzenie na dynamikę choroby [2, 3, 9]. Coraz częściej analizowana jest możliwość wykorzystania samych danych pasywnych do szacowania stanu psychicznego i ryzyka klinicznego. Badanie Wu i wsp. dotyczyło pacjentów z chorobą wątroby związaną z alkoholem i współwystępującym AUD, a więc klinicznie swoistej populacji [6]. Wyniki sugerowały, że dane ze smartfona, zwłaszcza związane z lokalizacją i aktywnością rejestrowaną przez akcelerometr, mogą korelować z nasileniem głodu alkoholu, ale ich interpretację ograniczały braki danych i niska retencja uczestników [6].
W piśmiennictwie poświęconym zdalnemu monitorowaniu w AUD szczególne miejsce zajmują smartfony, ponieważ łączą funkcję dzienniczka objawów, narzędzia komunikacyjnego i źródła pasywnie pozyskiwanych danych. Obok nich wykorzystuje się urządzenia ubieralne, alkomaty połączone z aplikacjami i biosensory alkoholowe, które mogą wzbogacać ocenę o bardziej obiektywne informacje dotyczące używania alkoholu lub zmian fizjologicznych [7, 8].
Aktualne piśmiennictwo pozwala odróżnić rozwiązania lepiej ugruntowane klinicznie od tych, które nadal pozostają na etapie wstępnej oceny wykonalności. Integracyjny przegląd 58 badań wskazuje, że najlepiej udokumentowane są smartfonowa EMA i przenośne alkomaty, podczas gdy urządzenia ubieralne i czysto pasywne systemy monitorowania to narzędzia obiecujące, ale ich użycie nadal pozostaje na wczes­nym etapie albo ma głównie charakter badania wykonalności [7].

Możliwości przewidywania ryzyka nawrotu

Najważniejszą praktyczną zaletą cyfrowego fenotypowania jest możliwość wcześniejszego rozpoznawania narastającego ryzyka nawrotu. W klasycznym modelu opieki zagrożenie to ocenia się głównie podczas wizyt ambulatoryjnych lub po zakończeniu intensywniejszego leczenia, a więc w punktach czasowych, które słabo wychwytują procesy zachodzące pomiędzy kolejnymi kontaktami [1–3, 9]. Znaczenie chwilowych zmian stanu psychicznego dobrze pokazano w badaniach wykorzystujących EMA. Metoda ta ujawnia zależności niewidoczne w ocenie retrospektywnej, zwłaszcza w odniesieniu do głodu alkoholu, napięcia emocjonalnego, negatywnego afektu, motywów picia oraz sytuacyjnych wyzwalaczy kontaktu z alkoholem [2–4]. W praktyce oznacza to, że ocena ryzyka nawrotu nie powinna się opierać wyłącznie na stałych czynnikach ryzyka, lecz musi uwzględniać także zmienne krótkoterminowe, zależne od kontekstu i chwili.
Wśród tych zmiennych szczególne znaczenie ma głód alkoholu. W piśmiennictwie jest on uznawany za jeden z najważniejszych wskaźników zbliżającego się pogorszenia, ale nie powinien być interpretowany w oderwaniu od innych elementów funkcjonowania. Sam wzrost cravingu nie zawsze prowadzi do picia. Dopiero jego współwystępowanie z obniżeniem nastroju, stresem, bezsennością, samotnością lub ekspozycją na bodźce związane z używaniem alkoholu zwiększa prawdopodobieństwo utraty kontroli [2–4, 9]. Istotnym krokiem w rozwoju badań nad przewidywaniem nawrotu było wyjście poza samoopis i włączenie danych pasywnych. Analiza aktywności ruchowej, regularności rytmu dnia, zmienności lokalizacji czy wzorców korzystania ze smartfona może dostarczać informacji o zmianach funkcjonowania poprzedzających epizod picia [5–7]. Są to jednak zazwyczaj wskaźniki pośrednie, których znaczenie zależy od tego, czy zostaną właściwie osadzone w szerszym obrazie klinicznym. Spośród danych pasywnych najbardziej obiecujące są wskaźniki związane z lokalizacją i ruchem.
W badaniu Wu i wsp. z nasileniem głodu alkoholu powiązane były przede wszystkim miary lokalizacji oraz akcelerometru, jednak użyteczność tych markerów ograniczały niska retencja i braki danych [6].
Równie ważna jest obserwacja zaburzeń rytmu dobowego i snu. Pogorszenie jakości snu, zmniejszenie regularności aktywności oraz ogólna destabilizacja codziennego funkcjonowania mogą być czułym sygnałem utraty stabilizacji, ale same nie przesądzają o zbliżającym się nawrocie. Nabierają znaczenia dopiero wtedy, gdy zostają zestawione z innymi danymi, zwłaszcza dotyczącymi afektu, głodu alkoholu i sytuacyjnych wyzwalaczy [6–8].
Dostępne dane sugerują, że większą wartość prognostyczną niż pojedynczy wskaźnik może mieć zintegrowany profil ryzyka budowany z danych chwilowych i pasywnych. Takie podejście lepiej odzwierciedla rzeczywisty przebieg choroby i może ułatwiać wcześniejsze rozpoznawanie momentów pogorszenia [7, 10].
Współczesnych możliwości przewidywania nawrotu nie należy jednak przeceniać. Dostępne badania są niejednorodne pod względem definicji nawrotu, czasu obserwacji, rodzaju urządzeń i zakresu analizowanych zmiennych [5, 7, 8, 16]. Część projektów obejmuje niewielkie grupy pacjentów, a dodatkowe trudności wiążą się z brakami danych, spadkiem zaangażowania uczestników i koniecznością odróżnienia zmian klinicznie istotnych od zwykłej zmienności codziennego życia [6, 7].
Z perspektywy klinicznej ważniejsze niż samo przewidywanie nawrotu jest wczesne rozpoznanie momentu, w którym ryzyko zaczyna wyraźnie rosnąć. Właśnie wtedy interwencja ma największy sens, bo daje szansę na reakcję, zanim dojdzie do pełnego nawrotu. Cyfrowe fenotypowanie przesuwa więc punkt ciężkości z opisu przeszłego używania alkoholu na bieżącą ocenę chwiejności klinicznej i sprzyja bardziej dynamicznemu rozumieniu przebiegu zaburzenia [5, 9, 10].

Interwencje oparte na bieżącej ocenie ryzyka

Cyfrowe fenotypowanie nie służy jedynie dokładniejszemu opisowi przebiegu choroby. Z klinicznego punktu widzenia najważniejsze jest to, by rozpoznany sygnał ostrzegawczy prowadził do interpretacji, decyzji i interwencji. Dane uzyskiwane w czasie rzeczywistym mają wartość wtedy, gdy pomagają uruchomić reakcję terapeutyczną w okresie narastającej podatności na nawrót [5, 9, 10, 16].
Interwencje oparte na bieżącej ocenie ryzyka mogą mieć formę krótkich komunikatów wspierających, przypomnień strategii radzenia sobie z głodem alkoholu, zachęty do kontaktu z osobą wspierającą lub sygnałów ostrzegawczych związanych z określonym miejscem bądź porą dnia [12, 13, 16]. Ich skuteczność wynika przede wszystkim z dopasowania do aktualnego stanu pacjenta.
Klasycznym przykładem wykorzystania technologii mobilnych jako wsparcia leczenia jest system A-CHESS (Addiction-Comprehensive Health Enhancement Support System), którego stosowanie po wypisie z leczenia stacjonarnego wiązało się z mniejszą liczbą dni ryzykownego picia [11]. Znaczenie tego typu rozwiązań nie sprowadza się jednak do jednej aplikacji, lecz do zapewnienia ciągłości oddziaływań terapeutycznych poza placówką. Podobnie system LBMI-A (Location-Based Monitoring and Intervention for Alcohol Use Disorders) łączy monitorowanie z modułami dotyczącymi głodu alkoholu, miejsc wysokiego ryzyka, kontaktu z osobami wspierającymi i strategii radzenia sobie [12].
Szczególnie interesujące są interwencje reagujące na chwilowe nasilenie głodu alkoholu. W pracy Dulin i Gonzalez strategie radzenia sobie przekazywane za pomocą smartfona w momencie pojawienia się głodu alkoholu wiązały się z mniejszym prawdopodobieństwem picia po takim epizodzie [13]. Pokazuje to, że największy sens mają interwencje uruchamiane wtedy, gdy proces pro­wadzący do nawrotu można jeszcze zatrzymać.
Najlepiej udokumentowane są aplikacje oparte na samoopisie i aktywnych modułach terapeutycznych. Słabiej wypadają interwencje oparte wyłącznie na pasywnych sensorach lub długotrwałym monitoro­waniu urządzeniami ubieralnymi, w przypadku któ- rych częściej pojawiają się problemy z przestrzeganiem zaleceń i utratą uczestników [7, 16]. Randomizowane badanie McKay i wsp. wskazuje, że zarówno telefoniczna opieka podtrzymująca, jak i wsparcie smartfonowe obniżały odsetek dni intensywnego pi- cia, ale ich połączenie nie dawało wyraźnej przewagi nad każdą z metod stosowaną osobno [14].
Coraz częściej rozważa się także łączenie monitorowania z danymi z biosensorów alkoholowych i urządzeń ubieralnych, które w przyszłości mogą zwiększać trafność doboru interwencji, zwłaszcza po integracji z samoopisami i mobilnymi formami wsparcia [7, 8].
Mimo obiecujących wyników nadal trzeba brać pod uwagę podstawowe ograniczenia tych rozwiązań. Interwencje cyfrowe mogą tracić skuteczność, gdy pacjent przestaje z nich korzystać, ignoruje komunikaty lub odbiera je jako nadmiarowe i intruzywne. Z tego względu ich użyteczność zależy od rozsądnego osadzenia w relacji terapeutycznej [5, 7, 16].

Znaczenie kliniczne, ograniczenia i perspektywy zastosowania

Obecnie największą wartością kliniczną cyfrowego fenotypowania nie jest zastępowanie oceny psychiatrycznej, lecz umożliwienie częstszej i bardziej ciągłej obserwacji pacjenta między kolejnymi kontaktami. Dzięki temu łatwiej wychwycić narastanie głodu alkoholu, pogorszenie snu, chwiejność afektu, zmianę aktywności lub ponowną ekspozycję na sytuacje związane z piciem [1–5, 10].
Z praktycznego punktu widzenia najbardziej użyteczne wydają się cztery grupy sygnałów: wzrost głodu alkoholu w połączeniu z napięciem lub obniżeniem nastroju, pogorszenie snu i rozchwianie rytmu dnia, zmiana aktywności i przemieszczania się oraz powrót do miejsc, sytuacji lub osób kojarzonych z piciem [1–8]. Ich znaczenie zależy przede wszystkim od tego, czy odbiegają od dotychczasowego wzorca danego pacjenta i czy występują łącznie z innymi wskaźnikami, a nie od pojedynczego wyniku. Uproszczone ujęcie praktyczne przedstawiono w tabeli 1.
Cyfrowe fenotypowanie wyraźnie wpisuje się w podejście psychiatrii spersonalizowanej – nie chodzi o zbieranie jak największej liczby danych, lecz o zbudowanie dla konkretnego pacjenta własnej mapy sygnałów ostrzegawczych, która pomaga wcześniej i trafniej podejmować decyzje kliniczne [2–4, 6–10].
Dostępne dane są jednak niewystarczające, by uzasadnić rutynowe wdrożenie tych rozwiązań. Ograniczenia obejmują niejednorodność definicji nawrotu i wskaźników ryzyka, różnice metodologiczne między badaniami, niewielkie próby, a także braki danych i spadek zaangażowania uczestników [5, 7, 8, 16].
Szczególnej uwagi wymagają także kwestie etyczne i praktyczne. Monitorowanie codziennego funkcjonowania pacjenta rodzi pytania o granice ingerencji w prywatność, bezpieczeństwo informacji i zakres świadomej zgody. Nie każdy pacjent dysponuje od- powiednim urządzeniem i stabilnym dostępem do internetu ani jest gotowy do regularnego korzystania z aplikacji [5, 7, 16].
Perspektywy zastosowania cyfrowego fenotypowania są obiecujące, ale o dalszym rozwoju tego obszaru powinna decydować przede wszystkim jego użyteczność kliniczna, a nie sama liczba generowanych danych. W obecnym stanie wiedzy jest to narzędzie wspierające decyzje kliniczne, a nie samodzielny system alarmowy. O jego miejscu w rutynowej praktyce zdecydują walidacja, prostota wdrożenia i realna korzyść dla pacjenta [7, 8, 10, 16].

Podsumowanie

Cyfrowe fenotypowanie poszerza ocenę przebiegu AUD o informacje dotyczące zmian w codziennym funkcjonowaniu między wizytami, których klasyczna praktyka często nie wychwytuje [1–10]. Obecnie wartość kliniczna tego podejścia polega przede wszystkim na wcześniejszym rozpoznawaniu narastającego ryzyka, a nie na prostym przewidywaniu nawrotu [1–10]. Najbardziej użyteczne okazuje się ono wtedy, gdy sygnały ostrzegawcze dotyczące głodu alkoholu, afektu, snu, aktywności i kontekstu środowiskowego zostają odniesione do indywidualnego wzorca pacjenta i powiązane z prostą reakcją kliniczną [1–8, 11–16]. Takie podejście ma jednak wyraźne ograniczenia, co wynika z niejednorodności metodologicznej, braków danych, trudności z utrzymaniem zaangażowania uczestników oraz problemów etycznych związanych z ochroną prywatności [5–8, 16]. Dlatego obecnie cyfrowe fenotypowanie należy traktować jako narzędzie pomocnicze, którego praktyczną wartość określą dalsza walidacja, prostota wdrożenia i realna korzyść dla relacji klinicznej [7, 8, 10, 16].

Oświadczenia/Disclosures

Badanie nie otrzymało zewnętrznego finansowania./Financial support and sponsorship: none.
Zgoda komisji etycznej: nie dotyczy./Institutional review board statement: none.
Autor deklaruje brak konfliktu interesów./Conflicts of interest: none.

Piśmiennictwo