Методы профилактики депрессии на диджитал-платформах и в социальных медиа

1354

Аннотация

Распространенность депрессии среди населения констатируется на уровне 8-12%. Всемирная организация здравоохранения признает, что существующая система помощи недостаточно успешна в работе с депрессией, и отдает приоритет онлайн-методам – доступным широкому кругу и за счет анонимности позволяющим преодолеть проблему стигматизации людей с депрессией. В статье рассмотрены актуальные тенденции использования средств онлайн-диагностики (мобильные приложения и специальные гаджеты), анализа цифровых следов в социальных медиа для выявления групп риска в отношении депрессии. Представлено описание содержания онлайн-профилактических программ, приведены данные об их эффективности, области применения, преимуществах и ограничениях. Перспектива исследований состоит в изучении механизмов и выявлении конкретных компонентов программ, связанных с профилактическим эффектом, а также возможностей применения онлайн-методов для работы с другими психическими расстройствами.

Общая информация

Ключевые слова: депрессия, онлайн-профилактика, анализ цифровых следов, мобильные приложения, группа риска, социальные медиа

Рубрика издания: Прикладные исследования

Тип материала: научная статья

DOI: https://doi.org/10.17759/cpse.2019080306

Финансирование. Работа выполнена при поддержке гранта РФФИ, проект № 17-29-02225.

Для цитаты: Данина М.М., Кисельникова Н.В., Куминская Е.А., Лаврова Е.В., Греськова П.А. Методы профилактики депрессии на диджитал-платформах и в социальных медиа [Электронный ресурс] // Клиническая и специальная психология. 2019. Том 8. № 3. С. 101–124. DOI: 10.17759/cpse.2019080306

Полный текст

 

Распространенность депрессии среди населения констатируется на уровне 8-12%. Всемирная организация здравоохранения признает, что существующая система помощи недостаточно успешна в работе с депрессией, и отдает приоритет онлайн- методам - доступным широкому кругу и за счет анонимности позволяющим преодолеть проблему стигматизации людей с депрессией. В статье рассмотрены актуальные тенденции использования средств онлайн-диагностики (мобильные приложения и специальные гаджеты), анализа цифровых следов в социальных медиа для выявления групп риска в отношении депрессии. Представлено описание содержания онлайн-профилактических программ, приведены данные об их эффективности, области применения, преимуществах и ограничениях. Перспектива исследований состоит в изучении механизмов и выявлении конкретных компонентов программ, связанных с профилактическим эффектом, а также возможностей применения онлайн-методов для работы с другими психическими расстройствами.

Депрессия - ведущее по распространенности заболевание, наблюдаемое у 8-12% населения [25]. В мире от этого заболевания страдают более 300 миллионов жителей [45], причем женщины заболевают почти в два раза чаще мужчин [27].

Экономическая стоимость депрессивных расстройств, связанная с расходами на лечение и трудовыми издержками, по данным 2007 года, оценивалась в 136,3 миллионов евро. Поскольку психическое благополучие является ключевым ресурсом для обучения, рабочей продуктивности и активного долголетия, инвестиции в профилактическую помощь населению являются необходимой и приоритетной мерой для любого государства.

Согласно отчету Европейского регионального бюро ВОЗ (в которое входит Российская Федерация) за 2016 год существующая система здравоохранения не вполне успешна в работе с депрессией и остро нуждается в дополнении доказательных подходов к ее лечению стратегией поддержки и профилактики общественного здоровья. H.U. Wittchen и коллеги [50] пишут, что только 10% из 4 миллионов человек, которые ежегодно страдают от депрессии, адекватно лечатся в хорошо функционирующей системе здравоохранения. Поэтому на сегодняшний день во всем мире прилагают существенные усилия, чтобы сделать лечение и профилактику депрессии более доступными.

В соответствии с рекомендациями ВОЗ программы профилактики депрессии, развивающие навыки совладающего поведения и саморегуляции, должны отвечать требованиям эффективности и экономичности, предоставлять возможности получать измеряемые результаты по итогам их прохождения и минимально зависеть от вовлеченности специалистов в непосредственную работу. Они должны фокусироваться не только на помощи людям с уже развившимися признаками депрессии, но и выявлять ранние признаки заболевания и группы риска. Результаты исследований показывают, что благодаря мерам профилактики заболеваемость депрессией может быть снижена на 15-35%, а профилактические мероприятия в формате пошаговых программ показывают успешность в снижении заболеваемости на 50% и сохранении этого эффекта в течение двух лет [13; 47].

Этим критериям наиболее полно соответствуют руководства по самопомощи, онлайн-платформы с полными гидами по лечению и мобильные приложения. Эти методы профилактики и лечения депрессии также помогают преодолеть проблему стигматизации людей с психическими расстройствами, поскольку предоставляют возможность анонимного и безопасного получения помощи.

Возможность еще более широкого распространения и персонализации профилактических мер и выявления групп риска в отношении депрессии в настоящее время связывают с выходом в пространство социальных интернет- сетей (далее - социальные сети), охватывающих более 1,5 миллиардов пользователей. Социальные сети рассматриваются исследователями как уникальный источник информации об индивидах и их социальных отношениях, а современные способы анализа данных позволяют строить точные предсказательные модели поведения человека. В эпоху цифровой социализации и активного использования социальных сетей молодыми людьми такие данные становятся особенно актуальными [1; 5].

Рассмотрим, какие подходы реализованы на сегодняшний день в области профилактики и лечения депрессии онлайн. Описание подходов будет опираться на следующую структуру: блог диагностики наличия депрессии и выявления групп риска, блок интервенций для лечения или профилактики депрессии, блок оценки эффективности программы (если представлен).

Инструменты онлайн-диагностики депрессии

Онлайн-диагностика депрессии служит трем целям: выявлению групп риска в отношении депрессии, исследованию факторов риска в контексте эпидемиологических исследований, а также оценке эффективности программ профилактики и лечения депрессии [14; 35]. В последние десятилетия данная область знаний получила активное развитие.

Традиционно в онлайн-диагностике используются автоматизированные стандартные опросные методы. Однако тенденцией последних лет становится обращение к анализу больших данных, отражающих поведение пользователей в социальных сетях, а также собранных посредством различных гаджетов, фиксирующих показатели психоэмоционального и физиологического состояния, параметры повседневной активности. Также разрабатываются приложения для мониторинга настроения и анализа экспрессии (мимики, голоса), являющиеся косвенными маркерами депрессии [19; 21; 34; 36; 52]. Опора на такие данные в сопоставлении с результатами самоотчетов позволяет повысить объективность и точность диагностики.

Наибольший массив данных на сегодняшний день накоплен на материалах анализа цифровых следов пользователей социальных медиа. Так, было установлено, что негативные эмоциональные выражения, используемые при обновлении статуса в социальных сетях на протяжении последних 9-10 месяцев, связаны с низкой удовлетворенностью жизнью и низким уровнем субъективного благополучия [28]. H.A. Schwartz с коллегами [42] также показали, что индивидуальное благополучие как комплексный показатель не только хорошего настроения, но и хорошего физического и психического здоровья, предсказывается по анализу обновлений статуса Facebook. В исследовании J. Wee и соавторов [49] представления о связи активности пользователей Facebook и депрессии были уточнены: было показано, что модерирующей переменной является нейротизм. Только если уровень нейротизма достигает определенных показателей, депрессия становится отрицательно связана с поведением в Фейсбуке - проведением трансляций, количеством лайков, комментариев, хэштегов.

В работе A.G. Reece, C.M. Danforth [39] выявлялись маркеры депрессии в результате анализа фотографий в Instagram. Метод применялся на 43 950 фотографиях 166 людей с клинической депрессией до и после получения диагноза. Результаты превзошли средний уровень успешной диагностики депрессии. Авторы показали, что по фотографиям пользователей Instagram можно предсказывать развитие заболевания у отдельных пользователей, анализируя характеристики самого изображения (цвет, яркость, наличие людей на фото, применение фильтров Instagram), а также метаданные, такие как время публикации, количество лайков и комментариев.

В исследовании по предсказанию депрессии по сообщениям в Twitter [16] авторы анализировали сообщения людей с подтвержденным диагнозом клинической депрессии, написанные в течение года перед получением данного диагноза. Это позволило обнаружить характерные признаки появления и прогрессирования данного заболевания у пользователей. Так, у многих испытуемых наблюдались снижение активности в социальной сети, появление негативной тональности и религиозной увлеченности.

Возможность выявления депрессии у индивида посредством анализа цифровых следов в Twitter, Facebook, Reddit также подтвердили J. Park и соавторы [36], A. Yates [51]. E.M. Seabrook и коллеги [43] с помощью приложения MoodPrism проанализировали обновления статусов у пользователей Facebook и Twitter и оценили у них выраженность депрессии. Оценивалась средняя доля слов, выражающих положительные и отрицательные эмоции, а также их изменчивость. Было установлено, что изменчивость в использовании слов, выражающих отрицательные эмоции, может быть простым и точным средством для диагностики депрессии пользователей социальных сетей. Однако для разных социальных медиа прогноз будет разным: для пользователей Facebook этот показатель является предиктором более тяжелой депрессии, а для пользователей Twitter - более легкой. C. Zhu и соавторы [52] также изучали слова, местоимения и пунктуацию, используемые пользователями Facebook, и показали, что модели анализа способны обнаружить психический статус пользователей и прогнозировать депрессию. Однако точность подобных моделей еще предстоит подробнее изучить.

Развитие методов онлайн-диагностики осуществляется также в направлении сбора объективных данных с помощью специальных устройств и приложений в дополнении к результатам классической психодиагностики и анализа цифровых следов.

A.A. Farhan и коллеги [21] изучали возможность скрининга депрессии при помощи данных с сенсоров различных мобильных устройств. Приложение собирало данные о местоположении и физической активности пациента. Данные, собранные при помощи приложения, работающего в фоновом режиме, были соотнесены с результатами Опросника здоровья пациента (PHQ-9) (опросник на определение уровня депрессии, заполнялся 1 раз в 2 недели), а также с оценкой врача- клинициста. Результаты показали значимую связь между взаимодействием с девайсами и показателями шкал опросника.

M. Tasnim и коллеги [44] разработали портативный прибор, позволяющий собирать и анализировать данные онлайн и включающий систему поддержки пациентов с депрессией. Измеряются пульс, продолжительность и качество сна, местоположение, социальные действия (связь через телефон, электронная почта, социальная сеть). Интенсивность последних отражает степень тяжести депрессии: количество и продолжительность контактов офлайн снижается, а общения по телефону - по мере роста тяжести депрессии - увеличивается.

T. Alhanai, M. Ghassemi, J. Glass [6] представили результаты тестирования автоматизированного алгоритма, который моделирует интервью между специалистом и пациентом и с помощью нейронной сети обучается диагностике депрессии на последовательности вопросов и ответов (метод, используемый в приложениях обработки речи). В исследование были включены данные письменного и устного скрининга депрессии у 142 людей. Алгоритм, опираясь на словоупотребление, тон голоса и паузы между словами, показал 77% точность выявления депрессии. Причем для достижения положительного результата на письменном диалоге было достаточно всего семи вопросов и ответов, а на устном - около 30.

A. Haque и соавторы [23] показали, что распознавание речи, компьютерное зрение и обработка естественного языка могут быть объединены для выявления депрессии. В исследовании использовались 3D выражения лица и разговорная речь, обычная для коммуникации по мобильному телефону. Метод продемонстрировал среднюю ошибку 3,67 балла (15,3%) по шкале Опросника здоровья пациента (PHQ). Для выявления серьезных депрессивных расстройств модель показала чувствительность 83,3%. Утверждается, что данная технология может быть применена на мобильных телефонах, что обеспечит недорогой и универсальный доступ к психиатрической помощи.

Интервенции в онлайн-профилактике депрессии

Профилактические меры в отношении депрессии направлены главным образом на развитие навыков совладания и самоменеджмента у людей из групп риска. Выделяются три типа профилактических мероприятий: 1) универсальные, направленные на всю популяцию, 2) избирательные, направленные на группы риска, 3) индикативные, направленные на людей с выраженными депрессивными симптомами, но еще не попадающими под клинические критерии депрессии. Форматы организации профилактических мероприятий обусловлены в большей степени социоэкономическими условиями, в которых они применяются. Традиционно профилактика депрессии реализуется в рамках двух форматов.

1. Посредством личного контакта со специально обученными людьми, как правило, представителями помогающих профессий. Такой формат предусматривает личный и групповой варианты работы и чаще ограничивается 4-8 сессиями длительностью 60-90 минут. Недостатком формата можно считать его высокую стоимость: требуются вложения для подготовки и обучения специалистов, чья пропускная способность ограничена максимальным размером группы, допустимым в зависимости от выбранной методологии.

2. Посредством инструментов самопомощи, чаще всего реализуемых в интернете и распространяемых через доступные технические средства - стационарные компьютеры, мобильные телефоны, планшеты [22]. Большим преимуществом этих инструментов можно назвать масштабируемость, относительно низкую стоимость разработки и доступность для большинства пользователей интернета. Однако у данного формата есть ограничение, связанное с меньшей способностью таких решений удерживать и вовлекать пользователей, по сравнению с очной работой со специалистом. Кроме того, такие инструменты являются универсальными и не всегда учитывают индивидуальную специфику и опыт пользователей, в связи с чем достигаемый эффект нельзя назвать достаточно управляемым.

Смешанный формат профилактических мероприятий является компромиссным: он подразумевает освоение инструментов самопомощи населением при минимальном участии специалистов. Это обеспечивает лучшую вовлеченность пользователей при меньших трудозатратах специалистов, частично делегирующих свои рутинные обязанности компьютерным системам [37].

В литературе представлены довольно разнообразные подходы к онлайн- интервенциям, направленным на профилактику депрессии. Они могут включать как автоматизированные сценарии, так и проводиться с участием специалиста, с модерацией, с социализацией и общением с другими пользователями.

Среди наиболее часто встречающихся типов интервенций представлены как психологические методы (когнитивно-поведенческая психотерапия и поведенческая активация, библиотерапия, практика осознанности, навыки эффективной коммуникации, активного совладания, решения личностных и межличностных проблем, оптимистичного мышления, релаксации и контроля дыхания), так и непсихологические (развлечения, забота о домашнем пространстве, климат в коллективе, физические упражнения, питание и БАД).

В русскоязычной литературе наиболее полный анализ кибертерапии, е-консультирования принадлежит В.Ю. Меновщикову [4]. Автор подробно рассматривает возможности и ограничения помощи посредством интернет- технологий, включающих как средства дистанционной коммуникации, так и программы самопомощи и самодиагностики. В работе В.Г. Иванова и соавторов [2] обсуждаются основные области и проблемы применения современных информационно-коммуникационных технологий в психотерапевтической и психологической практике, особенности использования телепсихиатрии и социальных сетей. Показано, что компьютерные технологии могут быть использованы даже терапевтами, не обладающими специальными знаниями высоких технологий. При этом говорится о необходимости адаптации разработанных онлайн-программ и проведения качественной стандартизации исследования психологических и поведенческих интернет-вмешательств.

8.                        Meyer и коллеги [32] разработали онлайн-программу Deprexis, которая включает в себя терапевтические подходы: поведенческую активацию, когнитивную реструктуризацию, упражнения на развитие осознанности и принятие ситуации, а также обучение социальным навыкам. Программа рассчитана на 9 недель и включает в себя 10 модулей, представляющих различные психотерапевтические подходы, плюс один вводный и один заключительный модули: активация, когнитивная модификация, практики осознанности и принятие, внутриличностные навыки, расслабление, физический опыт и изменение стиля жизни, решение проблем, проработка детского опыта, позитивная психология, работа с мечтами и эмоционально-фокусированные интервенции, психологическое просвещение.

Модули организованы в виде симулированных диалогов, в которых программа объясняет и иллюстрирует концепции и методы, вовлекает пользователя в упражнения и просит выбрать тот или иной вариант ответа. Контент адаптируется к ответам пользователей, что приводит к моделированию диалога. Все модули сопровождаются иллюстрациями (например, рисунками, фотографиями, флеш- анимациями).

К. Ly и соавторы [29] разработали 8-недельную программу для смартфонов по поведенческой активации с минимальным контактом с терапевтом. Программа состоит из материалов по психообразованию в интернете, приложения для смартфона, а также внутренней системы коммуникации, в которой терапевт может видеть отчеты пациентов.

P.A. Arean и ее команда [9], а также J.A. Anguera и соавторы [8] разработали и использовали три программы для сопровождения депрессии:

1)                 Cognitive Control App - видеоигра, которая модулирует способности когнитивного контроля и общий неврологический дефицит, наблюдаемый при депрессии;

2)                 Problem-Solving Therapy App - основана на терапии решения проблем, которая фокусируется на 7-шаговой модели управления настроением. В этом приложении участники выбирают цель и руководствуются 7-шаговым процессом для создания плана действий;

3)                Information Control (Health Tips) - приложение предоставляет ежедневные советы для улучшения здоровья, касающиеся самообслуживания (например, «принимайте душ») или физической активности (например, «совершите прогулку»).

M.L. Ranney и коллеги [38] протестировали программу краткой личной профилактической интервенции в текстовых сообщениях iDOVE для подростков с высоким уровнем риска депрессии. Текстовые сообщения были структурированы так, чтобы у участников постепенно повышалась мотивация к выявлению и изменению чувств и поведения, а также к привлечению позитивной поддержки. Каждый день участники получали автоматический вопрос о настроении, в результате ответа на него система высылала сообщение, содержащее интервенцию, направленную на поддержание или изменение настроения. Такой тип вмешательства оказался приемлемым и осуществимым в работе с подростками, был сделан вывод о том, что приложение имеет перспективы для работы с депрессивными симптомами. Участники исследования отметили, что программа была им полезна и что некоторые стратегии, предложенные программой, они с успехом смогли применить в реальной жизни.

А. Mackinnon и коллеги [30] показали эффективность онлайн-программы, основанной на когнитивно-поведенческом подходе (сервис MoodGYM). Она содержит пять интерактивных модулей, включая когнитивную реструктуризацию, приятную активность, тренинг ассертивности, решение проблем и возможность загрузки расслабляющих сессий. Модули выпускались последовательно еженедельно. Все интерактивные упражнения были сохранены, участникам предоставлялась обратная связь по каждому модулю.

A.Z. Barrera и команда [11] адаптировали программу помощи женщинам с постродовой депрессией (PDD) для использования онлайн. Эта программа основана на методах когнитивно-бихевиоральной терапии и изначально разработана для очного использования. Она направлена на то, чтобы научить женщин тому, как активно участвовать в создании здорового образа жизни для себя и новорожденных, и включает теорию социального научения, обучение управлению реальностью, теорию привязанности и социально-культурные проблемы. Онлайн- версия включает в себя текстовые/информационные страницы, короткие аудио/видеоролики, изображения младенцев и беременных женщин, а также листы участников, в которые они вводят персонализированную информацию в ответ на содержание урока. В исследовании A.Z. Barrera и коллег было показано, что для профилактики депрессии у женщин онлайн-методы показывают примерно одинаковые результаты по сравнению с очными методами. В русскоязычной литературе недостаточная выявляемость послеродовой депрессии и низкая эффективность традиционных методов лечения, а также важность внедрения современных дистантных методов работы с этой категорией пациенток обсуждается С.В. Совковым [3].

Онлайн-работу с подростковой депрессией исследовал E.L. de Voogd и его команда [48]. Они оценивали эффективность нескольких сеансов онлайн- тренировки, целью которой было повысить навыки фокусировки внимания, снизить симптомы тревоги и депрессии, а также повысить эмоциональную сопротивляемость подростков. Тренировка включала в себя видеозадания, основанные на работах S.D. Dandeneau и коллег [18] и модифицированные в соответствии с возрастом. Участники должны были найти и выбрать единственное счастливое лицо среди лиц с негативными эмоциями (грусть, злость, страх). Также использовалась проба с точками с лицами актеров, изображавшими различные эмоции (пары «злой-нейтральный» или «нейтральный-нейтральный»). Для контроля результатов участникам давали опросник Screen for Child Anxiety Related Emotional Disorders (SCARED [9]) для измерения уровня тревожности, а также Children's Depression Inventory (CDI [26]) для измерения уровня депрессии. Исследование показало, что гипотеза об уменьшении отрицательного смещения внимания частично подтвердилась, однако тревожные и депрессивные симптомы при этом не уменьшились.

E.E. Ebert с коллегами [20] проводили исследование эффективности программы веб-профилактики GET.ON Mood Enhancer по сравнению с обычным лечением с элементами психообразования в течение 12 месяцев. Участниками исследования были 406 взрослых людей с признаками субклинической депрессии. Теоретическим основанием работы выступила поведенческая и проблемно-ориентированная терапия. 6 сессий программы включали чтение статей (психообразовательная часть о природе депрессии и возможных методах лечения), выполнение упражнений по решению проблем и работе с тревогой, систему вознаграждений, а также интерактивные элементы (аудио, видеозаписи). Работа сопровождалась онлайн- тренерами. По сравнению с контрольной группой, получавшей обычное лечение, программа вмешательства оказалась эффективнее и позволила снизить риск возникновения депрессии или отсрочить начало первого эпизода. 55 участников (27%) в экспериментальной группе испытывали депрессию по сравнению с 84 участниками (41%) в контрольной группе. Различия были обнаружены по всем показателям, кроме физического здоровья по шкале SF-12, шкале позитивной проблемной ориентации SPSI-R и шкале беспокойства PSWQ.

Группа шведских исследователей изучала долгосрочные последствия программы интернет-профилактики рецидивов iCBT для 84 пациентов с частичной ремиссией униполярной депрессии [24]. Вмешательство было основано на материале, разработанном в более раннем исследовании [7] и адаптированном для предотвращения рецидивов. Помимо поведенческих и когнитивных техник работы с депрессией, в программу были включены модули о физической активности и о том, как справляться с тревогой.

Участники имели возможность варьировать прохождение модулей программы: были доступны не только 9 обязательных базовых модулей, но и 7 дополнительных, «продвинутых». На протяжении всего проекта участники обеих групп могли общаться на платформе с личным терапевтом с помощью зашифрованных электронных писем, ответы на которые давались в течение одного дня. В контрольной группе контакты по электронной почте были ограничены общей поддержкой, тогда как в группе iCBT контакты были неограниченными и содержали поддержку, ответы на конкретные вопросы, подсказки и подтверждающую обратную связь о выполнении заданий.

После вмешательства участники наблюдались в течение двух лет и проходили диагностические интервью для выявления рецидива. Спустя один год после начала наблюдения не было выявлено существенных различий в показателях ремиссии между двумя группами, однако через два года в группе iCBT отмечалась значимо более высокая доля людей с полной ремиссией по сравнению с контрольной группой (iCBT - 13,7%, контрольная - 60,9%). Результаты, представленные в этом и других исследованиях, дополняют знания о долгосрочных эффектах профилактики депрессии и ее рецидивов через интернет-вмешательства.

Оценка эффективности программ

Несмотря на то, что в приведенных выше исследованиях профилактических и терапевтических онлайн-программ демонстрируется их эффективность, существуют противоречивые данные на этот счет - от полного отсутствия эффекта до эффекта, сопоставимого с очными методами терапии.

Так, в метаанализе 15 рандомизированных контролируемых исследований онлайн-вмешательств на выборках подростков и молодых людей в возрасте от 10 до 24 лет (всего 4 979 участников) с симптомами или диагнозом депрессии и тревожного расстройства было обнаружено, что использование информационных технологий более эффективно только в кратковременных воздействиях, в то время как долгосрочные эффекты остаются сомнительными из-за ограниченного числа исследований [46]. Было констатировано статистически значимое улучшение в группах вмешательства (10 исследований) в отношении симптомов депрессии сразу после завершения вмешательства (p=0,02) и через 6 месяцев (3 исследования; p=0,01).

F. Rice и коллеги [40] сравнили три программы профилактики депрессии: поведенческую («Мысли о вознаграждении для молодых людей»), на основе когнитивно-поведенческой терапии и практики осознанности. 256 подростков в возрасте 13-14 лет были распределены по группам в зависимости от наличия терапевта и расписания школы. Было отмечено уменьшение депрессивных симптомов в первой группе, отсутствие изменений во второй и увеличение в третьей.

F. Rice и его команда [41] на основании обзора 8 различных онлайн- вмешательств для лечения депрессии сделали вывод о том, что интервенции с широким когнитивно-поведенческим фокусом являются многообещающими в снижении симптоматики депрессии у молодых людей. В свой обзор они включили исследования, в которых было проведено рандомизированное контролируемое исследование; в программах использовали либо открытый доступ (неограниченный), либо привязанный к пользователю (участие только с помощью приглашения и предоставления пароля для доступа к сайту), и включали участников в возрасте от 12 до 25 лет. На основании этих критериев они взяли в анализ следующие онлайн-программы: когнитивно-бихевиоральный анализ, MoodGYM, тренировочную программу когнитивно-поведенческих навыков, SPARX, CATCH-IT, интернет-терапию решения проблем, Blues Blaster, компьютеризированное КБТ, и Master Your Mood.

В качестве профилактических программы Blues Blaster, Когнитивно­поведенческий анализ, MoodGYM и CATCH-IT продемонстрировали эффективность для студентов университетов, учащихся средних школ (хотя эффекты были значительными только для участников мужского пола) и подростков, имеющих риск депрессивного расстройства.

Терапевтическая программа обучения когнитивным поведенческим навыкам, программы SPARX, компьютеризированный CBT и Master Your Mood продемонстрировали преимущество перед обычным лечением (фармакотерапией и психосоциальными услугами) и краткосрочными программами психообразования.

Было также проведено исследование по использованию библиотерапии в подобных программах [31]. Был сделан вывод, что библиотерапия более эффективна для лечения легкой депрессии и не превышает эффекта от информационных брошюр, использующихся для профилактики депрессии в школах.

Отдельно стоит рассмотреть исследования факторов эффективности программ онлайн-профилактики депрессии. Можно говорить о том, что при наличии сопровождения живого специалиста вовлеченность пользователя в программу повышается [15]. Даже в онлайн-формате большинство пользователей хотят живого контакта со специалистом в области ментального здоровья [33]. Выделяются две группы пользователей - тех, кто с большей готовностью социализируются, общаясь в специально созданных условиях с другими пользователями, и тех, кто чаще обращается к терапевтическому контенту [17].

В целом все проведенные на настоящий момент исследования по оценке эффективности онлайн-программ профилактики депрессии отвечают только на вопросы о преимуществе той или иной программы и формы работы. Перспектива состоит в изучении механизмов и выявлении конкретных компонентов программ, связанных с профилактическим эффектом. Также исследователи поднимают вопросы о других возможных областях использования таких программ - например, для предотвращения рецидивов биполярного расстройства, как это было предложено C. Barnes и соавторами [10], а также о других технических возможностях профилактики, например, на платформе мобильных телефонов [24].

Таким образом, можно сделать вывод, что развитие и распространение онлайн- методов профилактики и лечения депрессии позволят более эффективно работать с депрессией даже с теми группами населения, которые по каким-либо причинам не могут проходить очное лечение, а также обеспечат долговременное сопровождение после окончания курса лечения.

Анализ больших данных о поведении пользователей в социальных сетях, а также собранных посредством электронных девайсов, заложенных в диагностико­мониторинговую часть онлайн-программ, способствует повышению объективности и точности выявления людей групп риска.

Существующие интернет-платформы и мобильные приложения позволяют реализовать разнообразные подходы, включающие автоматизированные сценарии, и смешанные (с участием специалиста) - с модерацией, социализацией и общением с другими пользователями. Преимущественно профилактические интервенции направлены на развитие навыков совладания, решения проблем и самоменеджмента. Результаты исследований эффективности таких программ пока противоречивы, но содержат достаточно большой корпус свидетельств в их пользу. С большой вероятностью данные противоречия будут сняты за счет появления новых данных, позволяющих осуществить персонализированный подход к профилактической работе для отдельных субгрупп людей с депрессией.

Финансирование

Работа выполнена при поддержке гранта РФФИ, проект № 17-29-02225.

Литература

  1. Вачкова С.Н. Особенности сетевых форм коммуникации современных школьников // Социальная психология и общество. 2014. Т. 5. № 4. С. 135–144.
  2. Иванов В.Г., Лазарева Е.Ю., Николаев Е.Л. Применение современных информационно-коммуникационных технологий в психотерапевтической и психологической практике (обзор зарубежных исследований) // Проблемы современного педагогического образования. 2017. Т. 57. № 6. С. 321–329.
  3. Меновщиков В.Ю. Психологическая помощь в сети Интернет. [Электронный ресурс]. М., 2007. 178 с. URL: http://flogiston.ru/articles/netpsy/psyhelp_in_internet (дата обращения: 31.10.2019).
  4. Совков С.В. Перспективы и опыт использования интернет-технологий
    в лечении послеродовой депрессии // Медицинская наука и образование Урала. 2013. Т. 14. №3. С. 168–170.
  5. Солдатова Г.У. Цифровая социализация в культурно-исторической парадигме: изменяющийся ребенок в изменяющемся мире // Социальная психология
    и общество. 2018. Т. 9. № 3. С. 71–80. doi:10.17759/sps.2018090308
  6. AlhanaiT., Ghassemi M., Glass J. Detecting depression with audio/text sequence modeling of interviews // Procedia Interspeech. 2018. Vol. 2522. P. 1716–1720. doi: 10.21437/Interspeech.2018-2522
  7. Andersson G., Bergström J., Holländare F., et al. Internet-based self-help for depression: randomised controlled trial // The British Journal of Psychiatry. 2005. Vol. 187. № 5.
    P. 456–461. doi:10.1192/bjp.187.5.456
  8. Anguera J.A., Gunning F.M., Areán P.A. Improving late life depression and cognitive control through the use of therapeutic video game technology: A proof‐of‐concept randomized trial // Depression and anxiety. 2017. Vol. 34. № 6. P. 508–517. doi: 10.1002/da.22588
  9. Arean P.A., Hallgren K.A., Jordan J.T., et al. The Use and Effectiveness of Mobile Apps for Depression: Results from a Fully Remote Clinical Trial // Journal of Medical Internet Research. 2016. Vol. 18. № 12. P. 330. doi: 10.2196/jmir.6482
  10. Barnes C., Harvey R., Mitchell P., et al. Evaluation of an online relapse prevention program for bipolar disorder: an overview of the aims and methodology of a randomized controlled trial // Disease Management & Health Outcomes, 2007. Vol. 15. № 4.
    P. 215–224. doi: 10.1037/prj0000270
  11. Barrera A.Z., Wickham R.E., Muñoz R.F. Online prevention of postpartum depression for Spanish- and English-speaking pregnant women: A pilot randomized controlled trial // Internet Interventions. 2015. Vol. 2. № 3. P. 257–265. doi: 10.1016/j.invent.2015.06.002
  12. Birmaher B., Brent D., Laurel C., et al. Psychometric properties of the Screen for Child Anxiety Related Emotional Disorders (SCARED): a replication study // Journal of the American Academy of Child & Adolescent Psychiatry. 1999. Vol. 38. № 10. P. 1230–1236. doi:10.1097/00004583-199910000-00011
  13. Brugha T.S., Wheatley S., Taub N.A., et al. Pragmatic randomized trial of antenatal intervention to prevent postnatal depression by reducing psychosocial risk factors // Psychological Medicine. 2000. Vol. 30. № 6. Р. 1273–1281. doi: 10.1017/S0033291799002937
  14. Buntrock C., Ebert D.D., Lehr D., et al. Effect of a Web-Based Guided Self-help Intervention for Prevention of Major Depression in Adults with Subthreshold Depression:
    A Randomized Clinical Trial // JAMA, 2016. Vol. 315. № 17. P. 1854. doi: https://doi.org/10.1001/jama.2016.4326
  15. Cheng S.K., Dizon J. Computerised cognitive behavioural therapy for insomnia:
    a systematic review and meta-analysis // Psychotherapy and psychosomatics. 2012.
    Vol. 81. № 4. P. 206–216. doi: 10.1159/000335379
  16. Choudhury M. de, Gamon M., Counts S., et al. Predicting Depression via Social Media // International AAAI Conference on Weblogs and Social Media (ICWSM 2013) / A. Cohn (ed.). P. 128–137.
  17. D'Alfonso S., Santesteban-Echarri O., Rice S., et al. Artificial Intelligence-Assisted Online Social Therapy for Youth Mental Health [Электронный ресурс] // Frontiers
    in Psychology. 2017. № 8. P. 796. doi: 10.3389/fpsyg.2017.00796. URL: https://www.frontiersin.org/articles/10.3389/fpsyg.2017.00796/full (дата обращения: 31.10.2019).
  18. Dandeneau S.D., Baldwin M.W., Baccus J.R., et al. Cutting stress off at the pass: reducing vigilance and responsiveness to social threat by manipulating attention // Journal of Personality and Social Psychology. 2007. Vol. 93. № 4. P. 651. doi: 10.1037/0022-3514.93.4.651
  19. Dao B., Nguyen T., Venkatesh S., et al. Nonparametric discovery of online mental health-related communities, Data Science and Advanced Analytics (DSAA) // IEEE International Conference. 2015 / E. Gaussier, L. Cao, P. Gallinari, et al. (eds.). P. 1–10.
    doi: 10.1109/DSAA.2015.7344841
  20. Ebert D., Lehr D., Baumeister H., et al. GET.ON Mood Enhancer: efficacy of Internet-based guided self-help compared to psychoeducation for depression: an investigator-blinded randomised controlled trial [Электронный ресурс] // Trials. 2014. Vol. 15. №1.
    P. 39. URL: https://trialsjournal.biomedcentral.com/articles/10.1186/1745-6215-15-39 (дата обращения: 31.10.2019).
  21. Farhan A.A., Lu J., Bi J., et al. Multi-view Bi-clastering to identify smartphone sensing features indicative of depression // Connected Health: Applications, Systems and Engineering Technologies (CHASE), IEEE First International Conference / O’Conner L. (ed.). 2016. P. 264–273.
  22. Giosan C., Mogoaşe C., Cobeanu O., et al. Using a smartphone app to reduce cognitive vulnerability and mild depressive symptoms: study protocol of an exploratory randomized controlled trial [Электронный ресурс] // Trials. 2016. Vol. 17. № 1. P. 609. doi: 10.1186/s13063-016-1740-3 (дата обращения: 31.10.2019).
  23. Haque A., Guo M., Miner A.S., Fei-Fei L. Measuring Depression Symptom Severity from Spoken Language and 3D Facial Expressions [Электронный ресурс] // URL: arXiv preprint arXiv:1811.08592. 2018. (дата обращения: 31.10.2019).
  24. Holländare F., Anthony S., Randestad M., et al. Two-year outcome of internet-based relapse prevention for partially remitted depression // Behaviour Research and Therapy. 2013. Vol. 51. № 11. Р. 719–722. doi: 10.1016/j.brat.2013.08.002
  25. Kessler R.C., Berglund P., Demler O., et al. The Epidemiology of Major Depressive Disorder // JAMA. 2003. Vol. 289. № 23. P. 3095. doi: 10.1001/jama.289.23.3095 
  26. Kovacs M., Garrison B. Hopelessness and eventual suicide: a 10-year prospective study of patients hospitalized with suicidal ideation // American journal of Psychiatry. 1985. Vol. 1. № 42. P. 559–563. doi: 10.1176/ajp.142.5.559
  27. Kuehner C. Gender differences in unipolar depression: an update of epidemiological findings and possible explanations // Acta Psychiatrica Scandinavica. 2003. Vol. 108. № 3. P. 163–174. doi: 10.1034/j.1600-0447.2003.00204.x
  28. Liu P., Tov W., Kosinski M., et al. Do Facebook Status Updates Reflect Subjective Well-Being? // Cyberpsychology, Behavior, and Social Networking. 2015. Vol. 18. № 7.
    Р. 373–379. doi: 10.1089/cyber.2015.0022
  29. Ly K., Carlbring P., Andersson G. Behavioral activation-based guided self- help treatment administered through a smartphone application: study protocol for
    a randomized controlled trial [Электронный ресурс] // Trials. 2012. № 13. P. 62. doi: 10.1186/1745-6215-13-62 (дата обращения: 31.10.2019).
  30. Mackinnon A., Griffiths K. M., Christensen H. Comparative randomized trial of online cognitive–behavioral therapy and an information website for depression: 12-month outcomes // The British Journal of Psychiatry. 2008. Vol. 192. № 2. P. 130–134.
    doi: 10.1192/bjp.bp.106.032078.
  31. Marrs R.W. A meta‐analysis of bibliotherapy studies // American Journal of community psychology. 1995. Vol. 23. № 6. P. 843–870. doi: 10.1007/BF02507018
  32. Meyer B., Berger T.F., Caspar C., et al. Effectiveness of a Novel Integrative Online Treatment for Depression (Deprexis): Randomized Controlled Trial [Электронный ресурс] // Journal of Medical Internet Research. 2009. Vol. 11. № 2. P. 15.
    doi: 10.2196/jmir.1151. URL: https://www.jmir.org/2009/2/e15/ (дата обращения: 31.10.2019).
  33. Mohr D.C., Duffecy J., Jin L., et al. Multimodal e-mental health treatment for depression: a feasibility trial [Электронный ресурс] // Journal of Medical Internet Research. 2010. Vol. 12. № 5. P. 48. doi: 10.2196/jmir.1370. URL: https://mhealth. jmir.org/2019/1/e10948/ (дата обращения: 31.10.2019).
  34. Mowery D.L., Smith H., Cheney T., et al. Towards automatically classifying depressive symptoms from Twitter data for population health // Proceedings of the Workshop on Computational Modeling of People’s Opinions, Personality, and Emotions in Social Media (PEOPLES) / M. Nissim, V. Patti, B. Plank (eds.). 2016. Р. 182–191.
    doi: 8. 10.5210/ojphi.v8i1.6561
  35. Muñoz R.F., Cuijpers P., Smit F., et al. Prevention of major depression // Annual Review of Clinical Psychology. 2010. Vol. 6. №1. P. 181–212. doi: 10.1146/annurev-clinpsy-033109-132040
  36. Park J., Cha M., Kim H., et al. Managing Bad News in Social Media: A Case Study on Domino’s Pizza Crisis // The 6th International AAAI Conference On Weblogs and Social Media (ICWSM 2012). Trinity College in Dublin, Ireland, June 4–8, 2012 / J. Breslin,
    J. Shanahan, N. Ellison, Z. Tufekci (Eds.). 2012. P. 282–289.
  37. Pecina J., North F., Williams M.D., et al. Use of an on-line patient portal in
    a depression collaborative care management program // Journal of Affective Disorders. 2017. Vol. 208. P. 1–5. doi: 10.1016/j.jad.2016.08.034
  38. Ranney M.L., Freeman J.R., Connell G., et al. A Depression Prevention Intervention for Adolescents in the Emergency Department // Journal of Adolescent Health. 2016.
    Vol. 59. № 4. P. 401–410. doi: 10.1016/j.jadohealth.2016.04.008
  39. Reece A.G., Danforth C.M. Instagram photos reveal predictive markers of depression [Электронный ресурс] // EPJ Data Science. 2017. Vol. 6. P. 15. URL: https://epjdatascience.springeropen.com/articles/10.1140/epjds/s13688-017-0110-z (дата обращения: 31.10.2019).
  40. Rice F., Rawal A., Riglin L., et al. Examining reward-seeking, negative self-beliefs and over-general autobiographical memory as mechanisms of change in classroom prevention programs for adolescent depression // Medical Research Council. 2015. Vol.186. P. 320–327. doi: 10.1016/j.jad.2015.07.019
  41. Rice S.M., Goodall J., Hetrick S.E., et al. Online and Social Networking Interventions for the Treatment of Depression in Young People: A Systematic Review [Электронный ресурс] // Journal of Medical Internet Research. 2014. Vol. 16. № 9. P. 206.
    doi: 10.2196/jmir.3304. URL: https://www.jmir.org/2014/9/e206/ (дата обращения: 31.10.2019).
  42. Schwartz H.A., Sap M., Kern M.L., et al. Predicting individual well-being through the language of social media [Электронный ресурс] // Pacific Symposium on Biocomputing. 2016. P. 516–527. URL: http://psb.stanford.edu/psb-online/proceedings/psb16/ (дата обращения: 31.10.2019).
  43. Seabrook E.M., Kern M.L., et al. Predicting depression from language-based emotion dynamics: longitudinal analysis of Facebook and Twitter status updates [Электронный ресурс] // Journal of Medical Internet Research. 2018. Vol. 20. № 5. P. 168.
    URL: https://www.jmir.org/2018/5/e168/ (дата обращения: 31.10.2019).
  44. Tasnim M., Shahriyar R., Nahar N., et al. Intelligent Depression Detection and Support System: Statistical Analysis, Psychological Review and Design Implication. International Conference on e-Health Networking, Applications and Services [Электронный ресурс] // IEEE 18th International Conference on e-Health Networking, Applications and Services (Healthcom). 2016. Р. 1–6. URL: https://ieeexplore. ieee.org/xpl/conhome/7701172/proceeding (дата обращения: 31.10.2019).
  45. UN health agency reports depression now «leading cause of disability worldwide» [Электронный ресурс] /// UN News. 23 February 2017. Retrieved 27 June 2019. URL: https://news.un.org/en/story/2017/02/552062-un-health-agency-reports-depression-now-leading-cause-disability-worldwide (дата обращения: 31.10.2019).
  46. Välimäki M., Anttila K., Anttila M., et al. Web-Based Interventions Supporting Adolescents and Young People with Depressive Symptoms: Systematic Review and Meta-Analysis [Электронный ресурс] // Journal of Medical Internet Research. 2017. Vol. 5.
    № 12. Р. 180. URL: https://mhealth.jmir.org/2017/12/e180 (дата обращения: 31.10.2019).
  47. Van Zoonen K. Buntrock C., Ebert D.D., et al. Preventing the onset of major depressive disorder: a meta-analytic review of psychological interventions // International Journal of Epidemiology. 2014. Vol. 43. № 2. P. 318–329. doi: 10.1093/ije/dyt175
  48. Voogd E.L. de, Wiers R.W., Prins P.J., et al. Online attentional bias modification training targeting anxiety and depression in unselected adolescents: Short- and long-term effects of a randomized controlled trial // Behaviour Research and Therapy. 2016. Vol. 87. P. 11–22.  doi: 10.1016/j.brat.2016.08.018
  49. Wee J., Jang S., Lee J., et al. The influence of depression and personality on social networking // Computers in Human Behavior. 2017. Vol. 74. P. 45–52.
    doi: 10.1016/j.chb.2017.04.003
  50. Wittchen H.U., Müller N., Pfister H., et al. Häufigkeit und Versorgung von Depressionen. Ergebnisse des bundesweiten Gesundheitssurveys // Psychische Störungen Erscheinungsformen Fortschritte der Medizin. 2000. Vol. 118. № 1. P. 1–41.
  51. Yates A., Cohan A., Goharian N. Depression and self-harm risk assessment in online forums [Электронный ресурс]. 2017 // URL: arXiv preprint arXiv:1709.01848.  (дата обращения: 31.10.2019).
  52. Zhu C., Li B., Li A., et al. Predicting Depression from Internet Behaviors by Time-frequency Features [Электронный ресурс] // IEEE/WIC/ACM International Conference on Web Intelligence. October 13-16, 2016. Hilton Omaha, USA. 2016. P. 383–390.
    doi: 10.1109/WI.2016.0060 (дата обращения: 31.10.2019).

Информация об авторах

Данина Мария Михайловна, кандидат психологических наук, старший научный сотрудник лаборатории научных основ психотерапии и консультировной психологии, Психологический институт Российской академии образования (ФГБНУ «ПИ РАО»), Москва, Россия, e-mail: mdanina@yandex.ru

Кисельникова Наталья Владимировна, кандидат психологических наук, доцент, заведующая лабораторией консультативной психологии и психотерапии, ФГБНУ «Психологический институт Российской академии образования» (ФГБНУ «ПИ РАО»), Москва, Россия, ORCID: https://orcid.org/0000-0003-0710-4972, e-mail: nv_psy@mail.ru

Куминская Евгения Андреевна, научный сотрудник лаборатории консультативной психологии и психотерапии, ФГБНУ «Психологический институт Российской академии образования» (ФГБНУ «ПИ РАО»), Москва, Россия, ORCID: https://orcid.org/0000-0002-5650-1096, e-mail: evgenia.kuminskaya@gmail.com

Лаврова Елена Васильевна, кандидат психологических наук, старший научный сотрудник, лаборатория консультативной психологии и психотерапии, Психологический институт Российской академии образования (ФГБНУ «ПИ РАО»), Москва, Россия, ORCID: https://orcid.org/0000-0002-7144-4704, e-mail: may_day@list.ru

Греськова Полина Анатольевна, студентка факультета психологии, Санкт-Петербургский государственный университет (ФГБОУ ВО СПбГУ), Санкт-Петербург, Россия, ORCID: https://orcid.org/0000-0002-5490-780X, e-mail: polina.greskova@gmail.com

Метрики

Просмотров

Всего: 1559
В прошлом месяце: 10
В текущем месяце: 8

Скачиваний

Всего: 1354
В прошлом месяце: 10
В текущем месяце: 16