Pilot-RCT med unge som stammer: sanntids fotorealistisk avatar-VR er godt akseptert og gir aktivering, men én økt slo ikke logopedrollespill

Bakgrunn

Stamming hos skolebarn og ungdommer er hyppig ledsaget av sosial angst. Iverach et al. (2016) rapporterte at barn som stammer er omtrent seks ganger mer sannsynlig enn jevnaldrende uten stamming til å utvikle en sosial angstlidelse, og sosial angst i denne populasjonen har en tendens til å tilta gjennom ungdomsårene. KAT med gradert eksponering er effektiv for å redusere sosial angst hos voksne som stammer, men få empiriske intervensjoner har spesifikt adressert angst hos unge mennesker som stammer.

Eksponeringsterapi baserer seg tradisjonelt på in vivo-opplevelser eller rollespill på klinikken med terapeuten. Begge tilnærminger har begrensninger: in vivo-eksponering er logistisk krevende og gir terapeuten liten kontroll over situasjonen, mens rollespill begrenses av at deltakerne er bevisste på at klinikeren er en kjent, trygg person snarere enn en fremmed. Virtuell virkelighet er foreslått som et kontrollerbart mellomsteg, men mesteparten av VR-forskning på stamming til dags dato har brukt gruppe- eller publikumsscenarier (Brundage et al. 2006, 2016; Brundage og Hancock 2015; Moise-Richard et al. 2021) snarere enn naturalistisk én-til-én ansikt-til-ansikt-samtale, og har basert seg på forhåndsscriptede eller statiske avatarresponser snarere enn sanntids dynamiske svar.

Delangle og kolleger (det samme forskerteamet som Moise-Richard et al. 2021) satte seg fore å adressere to gap: fraværet av fysiologiske mål i teamets tidligere virtuelle klasseromsforskning, og fraværet av et sanntids ansikt-til-ansikt VR-scenario som simulerer den naturalistiske, resiproke dynamikken i hverdagssamtale.

Hva forskerne gjorde

Tretten barn og ungdommer som stammer ble rekruttert fra Marie Enfant Rehabiliteringssenter (CHU Sainte-Justine), Raymond-Dewar-instituttet og private logopedklinikker i Montreal, Quebec. Én ungdom ble ekskludert grunnet tidligere tilsvarende VR-eksponering under en fjernsynsinnspilling, noe som etterlot tolv deltakere i analysen (6 jenter; alder 9-18 år, M=13,1, SD=3,0). Alle hadde blitt profesjonelt diagnostisert med stamming av en sertifisert logoped, var i pågående behandling og hadde gjennomført minst tre sesjoner med sin egen terapeut. Tilfeldig fordeling med tilfeldig tallgenerator ga to balanserte grupper (n=6 per arm). Baseline-mål for sosial angst (LSAS-CA) og selvtillit ved offentlig tale (PRCS kortform) viste ingen signifikante mellomgruppeforskjeller.

VR-systemet. En fotorealistisk virtuell lærer ble bygget ved hjelp av MetaHuman og gjengitt på en Meta Quest 2 i Unreal Engine 5.03. Fra et tilstøtende rom styrte logopeden avataren i sanntid: en iPhone 11 med Live Link Face registrerte terapeutens lepp-, munn-, øye-, øyebry- og hodebevegelser og strømmet dem til avataren; Clownfish Voice Changer la på en konsistent mannstemme-effekt (logopedene var overveiende kvinner, og en mannlig avatar på omtrent 40-50 år ble valgt nettopp for å begrense gjenkjennelse). Logopeden så en sanntids speilvisning av deltakernes perspektiv på en bærbar PC, noe som muliggjorde dynamisk verbalt og ikke-verbalt samspill. Subtil avatarkroppsanimasjon (lett gynging, nøytral armbevegelse) ble drevet av Adobe Mixamo for å unngå et unaturlig statisk utseende. Den virtuelle klasserommet og eksperimenteringsrommet hadde matchet bordgeometri for å styrke legemliggjøringen.

Prosedyre. Hver deltaker gjennomførte to sesjoner med omtrent to ukers mellomrom (M=12 dager, SD=11,3, spenn 3-42). Hver økt hadde tre faser:

1. Baseline - en 3-minutters samtale med et ukjent forskningsteammedlem (forskjellig fra både logopeden og skuespiller-læreren) om nøytrale emner (hobbyer, musikk, reisemål) for å registrere talerelatert aktivering.
2. Taleforberedelse - en 3-minutters diskusjon med det samme teammedlemmet om mulige klasseromstilpasninger deltakeren kunne be om knyttet til stammingen.
3. Samtalebetingelse - en 5-minutters samtale (M=4,7 min, SD=1,6) med «læreren» der deltakeren informerte om stammingen og forhandlet om klasseromstilpasninger. Læreren introduserte tre kategorier angstprovoserende stimuli, med hvert presentert minst én gang: pannerynking, gjesping og skriptede ubehagelige fraser («Det er ikke rettferdig overfor de andre studentene», «Hvorfor skal jeg lage spesielle tilpasninger for deg?»). Logopedene ble opplært til å vente minst 20 sekunder mellom stimuli og ikke introdusere to stimuli samtidig; de ble bedt om ikke å forsterke beroligelsessøk eller unngåelsesatferd.

I økt 1 var eksperimentgruppens samtalebetingelse in virtuo (deltakernes egen logoped styrte avataren fra det tilstøtende rommet); kontrollgruppens var et ansikt-til-ansikt logopedrollespill. I økt 2 (in vivo for begge grupper) var samtalebetingelsen med en ukjent skuespiller-lærer i person.

Mål.

• Akseptabilitet og tilstedeværelse (Mål 1): ITC-SOPI (44 elementer over subskalaene Romlig tilstedeværelse, Engasjement, Økologisk validitet, Negative effekter) og et skreddersydd Interaction with Avatars (IWA)-spørreskjema.
• Fysiologisk angst (Mål 2 og 3): Elektrodermal aktivitet (hudledningsevnenivå SCL, hudledningsrespons SCR) og elektrokardiogram (hjerterate HR, hjerteratevariabilitet via RMSSD) registrert med et Biopac MP36R-system og bearbeidet med AcqKnowledge og NeuroKit2. En tilpasset perifer EKG-elektrodeposisjonering (venstre ben + høyre underarm) ble brukt i stedet for standard klavikel-costal-plassering for å unngå at instrumenteringen var inngripende overfor barna. Fysiologiske mål ble uttrykt som endring fra hver sesjons egen baseline for å håndtere naturlig dag-til-dag-variasjon.
• Selvrapportert angst (Mål 2 og 3): Et modifisert 0-10 SUDS administrert etter baseline, etter taleforberedelse og retrospektivt etter samtalen (for samtalens start og slutt separat).
• Mestringstro (Mål 3): Et skreddersydd 14-punkts spørreskjema (1 = «Ikke i det hele tatt trygg» til 5 = «Svært trygg») tilpasset fra Bray et al. 2003 / Manning 1994 (Banduras sosiale kognitive rammeverk). Cronbachs alfa = 0,87.

Statistisk analyse. På grunn av det lille utvalget brukte forfatterne parametriske (kontinuerlige fysiologiske data) og ikke-parametriske (ordinale spørreskjemadata) bootstrap-resampling med 10 000 iterasjoner i IBM SPSS Statistics 29 og Python. Signifikans ble utledet fra 95 % konfidensintervaller (ikke-overlapp med null-baselines eller med den andre gruppens intervall) og bootstrap-p-verdier. Effektstørrelser (Cohens d, Pearsons r) ble rapportert parallelt. Ingen korreksjoner for multiple sammenligninger ble anvendt fordi bootstrap-resampling gir empiriske signifikansestimater uten parametriske forutsetninger.

Hva de fant

Mål 1 - akseptabilitet og tilstedeværelse. ITC-SOPI-subskalaer indikerte god tilstedeværelse: Romlig tilstedeværelse M=3,60 (SD=0,70), Engasjement M=3,87 (SD=0,78), Økologisk validitet M=3,27 (SD=1,53; én deltaker vurderte dette til 1/5, noe som bidro til den større standardavviket), Negative effekter M=1,58 (SD=0,60). På IWA følte deltakerne at de snakket med en ekte person (M=8,43/10), følte IKKE at de snakket med sin egen logoped (M=2,86/10; lavere skårer indikerer at SLP-legemliggjøringen var vellykket maskert), fant de simulerte scenariene relevante (M=9,29/10) og ønsket sterkt tilgang til verktøyet for å øve på stressende situasjoner (M=9,57/10). De to eldste deltakerne (16 og 18 år) ga de høyeste «følte at jeg snakket med min logoped»-skårene (henholdsvis 10 og 8), idet de gjenkjente logopedenes prosodi og intonasjon til tross for den modulerte stemmen. Åpne responser viste at deltakerne ønsket å bruke verktøyet oftere (daglig til to ganger i uken før in vivo-presentasjoner) og identifiserte muntlige presentasjoner til en virtuell klasse som et ønsket fremtidig scenario. To deltakere rapporterte samme dag om forsinkelse mellom stemme og munnbevegelser grunnet svakt Wi-Fi-signal.

Mål 2 - fysiologiske og subjektive angstresponser. VR-eksperimentgruppens SCL var signifikant forhøyet fra baseline under både taleforberedelse (økt 1: 95 % KI [0,404, 2,578], p=.006; økt 2: 95 % KI [0,215, 0,935], p<.001) og samtale (økt 1: 95 % KI [0,351, 2,142], p=.009; økt 2: 95 % KI [0,859, 4,471], p=.008). Logopedrollespill-kontrollgruppen viste IKKE signifikant SCL-forhøyning fra baseline i noen fase av noen økt (alle p>.05). Mellomgruppe-SCL-effekter var generelt små (d=0,06-0,41), med én moderat effekt for samtalebetingelsen i økt 2 (d=0,80).

SCR-deteksjonsrater (andel angstprovoserende stimuli som fremkalte en hudledningsrespons) viste et uventet mønster i økt 1: kontrollgruppen viste signifikant FLERE SCR-er enn eksperimentgruppen, særlig for pannerynking (t=-3,79, p<.05) og på tvers av alle stimuli kombinert (t=-3,76, p<.05). Forfatterne tolker dette som at pannerynking er et subtilt ikke-verbalt signal som kan være vanskeligere å oppfatte nøyaktig fra en fotorealistisk avatar enn fra en ekte person. Innen eksperimentgruppen var SCR-deteksjonsrater sammenlignbare mellom in virtuo-betingelsen (økt 1) og in vivo-betingelsen (økt 2) (t(4)=-1,07, p=.35), noe som antyder at avataren fremkalte stimulus-låste fysiologiske responser sammenlignbare med de som ble fremkalt av en ekte person for de samme individene.

Hjerterate og RMSSD ga et uventet mønster på tvers av begge grupper. I stedet for den forventede HR-økningen (og RMSSD-reduksjonen) ved stress viste begge grupper REDUSERT HR fra baseline i de fleste fasene (f.eks. eksperimentell økt 1 samtale HR 95 % KI [-9,828, -2,325], p=.002; kontroll økt 1 samtale HR 95 % KI [-6,038, -2,029], p<.001) og ØKET RMSSD under eksperimentell økt 1-samtale (95 % KI [4,699, 12,030], p<.001). Forfatterne tolker dette som autonom tilpasning eller habituering under sosialt stress (Kreibig, 2010), og bemerker at HR-responser ikke alltid følger læreboksmønsteret i sosiale angst-kontekster.

Selvrapportert SUDS viste en tydelig dissosiasjon fra fysiologisk aktivering. I økt 1 skilte VR-gruppens SUDS under in virtuo-samtalen seg IKKE signifikant fra baseline (start 95 % KI [-1,167, 2,833], p=.40; slutt 95 % KI [-2,667, 1,833], p=1,0). Logopedrollespill-gruppens SUDS var signifikant forhøyet over baseline ved både start (95 % KI [2,00, 4,33], p<.001) og slutt (95 % KI [2,16, 5,16], p<.001). Mellomgruppeeffekten ved samtalens slutt var stor (d=1,35, 95 % KI [-2,77, -0,67], p=.031); andre mellomgruppesammenligninger i økt 1 viste store effektstørrelser (d=0,94-1,27) som ikke nådde statistisk signifikans med dette utvalget.

I økt 2 (in vivo for begge grupper) viste begge grupper forhøyet SUDS ved samtalens start (eksperimentell p=.003; kontroll p=.002) og returnerte nær baseline mot slutten, med mellomgruppe-effektstørrelser som ble små (d=0,25-0,30).

Mål 3 - merverdi av VR over logopedrollespill. Mestringstro viste ingen statistisk signifikante mellomgruppeforskjeller på noe måletidspunkt (Mann-Whitney U-tester, alle p>.58) og ingen statistisk signifikante innengruppe-endringer fra før økt 1-samtalen til etter økt 2-samtalen (eksperimentell Wilcoxon Z=-1,36, p=.17, r=.60; kontroll Z=-0,94, p=.345, r=.39). Forfatterne konkluderer med at én enkelt treningsøkt i begge betingelsene ikke ga signifikante gevinster i mestringstro eller reduserte angst under den påfølgende reelle samtalen med den ukjente skuespiller-læreren. De moderate innengruppe-effektstørrelsene (r=0,36-0,60) antyder at større eller lengre studier kanskje ville kunne oppdage signaler som denne piloten var underkraftig til å demonstrere.

Hvorfor dette er viktig

Dette er den første studien på stamming som implementerer et sanntids ansikt-til-ansikt VR-miljø med en fotorealistisk avatar hvis verbale og ikke-verbale atferd drives direkte av en kliniker via ansikts-bevegelsesregistrering, og som kombinerer dette med sammenkoblede fysiologiske og subjektive mål. Det utvider det samme forskerteamets tidligere virtuelle klasseromsforskning (Moise-Richard et al. 2021) fra gruppe-publikumsscenarier til én-til-én-samtale, og adresserer den tidligere studiens mangel på fysiologisk måling.

Det sentrale tolkningsbidraget er dissosiasjonen mellom forhøyet fysiologisk aktivering (SCL) og uendret subjektivt ubehag (SUDS) i VR-betingelsen - et mønster i tråd med Langs tripartitt-modell for angst og med Brundage et al. (2016) hos voksne som stammer. Dersom en fremtidig flerøkts-protokoll bekrefter denne dissosiasjonen pålitelig, foreslår forfatterne at dette kan støtte VR som et innledende inngangspunkt for unngående ungdommer som ellers ville nekte in vivo-eksponering: kroppen engasjerer den fryktutsluknings-relevante aktiveringsmekanismen mens den bevisste opplevelsen av trussel forblir håndterbar. Forfatterne er eksplisitte på at dette er en slutning fra dissosiasjons-mønsteret, ikke en påvist behandlingseffekt fra denne studien.

Like viktig er hva studien IKKE viste: én enkelt VR-treningsøkt var ikke overlegen én logopedrollespill-økt for å redusere angst eller forbedre mestringstro da deltakerne deretter møtte en ukjent skuespiller-lærer. Forfatterne er tydelige på at flerøkts-protokoller innen et fullstendig KAT-rammeverk er nødvendig før det kan fremsettes kliniske anbefalinger om VRs merverdi.

For Therapy withVR spesifikt: denne studien verken brukte, evaluerte eller sammenlignet med Therapy withVR. Systemet som ble testet er en tilpasset Unreal Engine 5.03 / MetaHuman-applikasjon drevet av logopedenes ansikts-bevegelsesregistrering på en Meta Quest 2. Therapy withVR er en annerledes plattform med en annerledes kontrollmodell (kliniker-justerbare miljøer, emosjoner og publikumsatferd fra en nettapplikasjon snarere enn ansiktslegemliggjøring av en enkelt avatar). Delangle-artikkelen er inkludert i Evidence Hub fordi den bidrar til den bredere evidensbasen for immersiv VR ved stammingsangst hos unge, ikke fordi den omhandler Therapy withVR.

Begrensninger

Forfatterne peker eksplisitt på følgende i sin diskusjon (avsnitt 6):

• Svært lite utvalg. N=12, 6 per gruppe. Betydelig individuell variasjon i både opplevde og fysiologiske responser ble observert. Et større utvalg er nødvendig for å karakterisere variabiliteten og identifisere responsprofiler.
• Kun én enkelt treningsøkt. Forfatterne er eksplisitte på at én økt er utilstrekkelig for å vurdere treningseffekter på mestringstro og angst; flerøkts-protokoller er nødvendig.
• Inkonsistens av skuespiller-lærere i økt 2. To ulike skuespillere spilte den in vivo læreren på tvers av utvalget (matchet på aldersgruppe og kroppsbygning, begge engasjerte på tvers av grupper), men hver skuespiller hadde naturlig ulike prosodiske egenskaper og unike reaksjoner.
• Samme logoped spilte begge rollene på tvers av deltakere. Noen ganger som avataren (eksperimentell gruppe) og noen ganger som ansikt-til-ansikt rollespillpartner (kontrollgruppe). Forfatterne bemerker at dette gjenspeiler naturlig variasjon i kliniske settinger, men det tilfører variabilitet til dataene.
• Gjenkjenning av logoped av eldre deltakere. De to eldste deltakerne (16 og 18 år) gjenkjente logopedenes prosodi og talestil til tross for stemmemodulasjonen, noe som kan ha påvirket deres emosjonelle responser.
• Retrospektiv SUDS-måling. SUDS ble administrert etter samtalen for å unngå å avbryte oppgaven. Deltakere som naturlig regulerte angsten under samtalen kan ha underestimert peak-angst retrospektivt.
• Ingen måling av immersive tendenser. Spørreskjemaet for immersive tendenser (Witmer og Singer, 1998) ble ekskludert for å redusere kognitiv belastning på yngre deltakere. Individuelle forskjeller i immersjonspropensitet kan forklare variabilitet i subjektiv tilstedeværelse og emosjonelle responser.
• Én-til-én kontra gruppeinnstillinger ikke sammenlignet. Noen deltakere rapporterte lavere angst enn forventet i én-til-én-innstillinger; fremtidig forskning kan sammenligne enkelt-avatar VR med virtuelle gruppeoperasjoner.
• Ingen øyesporing. Noen barn så ut til å unngå øyekontakt med den virtuelle læreren; øyesporing ville bidra til å kvantifisere unngåelsesatferd.
• Ukjent skuespiller i stedet for ekte lærer. In vivo økt 2 brukte en ukjent skuespiller snarere enn deltakernes egne lærere. Dette styrket den eksperimentelle kontrollen, men reduserte de personlige innsatsene (ingen reelle akademiske eller sosiale konsekvenser for deltakernes svar), noe som potensielt bidro til lavere opplevd angst.
• Ikke et fullstendig KAT-eksponeringsrammeverk. Prosedyren er mer nøyaktig en «treningsøkt» enn formell eksponeringsterapi. Et fullstendig KAT-basert eksponeringsprotokoll med gradert hierarki, forventningsbrudd-rammeverk og post-eksponerings-konsolidering over flere sesjoner ble ikke implementert.
• Interessekonflikt å oppgi. Medforfatter Stephane Bouchard er konsulent for og har eierandeler i Cliniques et Developpement In Virtuo, et VR-utviklingsselskap. Artikkelen oppgir eksplisitt at dette selskapet ikke laget miljøene som ble brukt i studien, men eierandelsforholdet er et relevant bakgrunnsforhold når man vurderer artikkelsens tolkningsrammeverk om VRs terapeutiske potensial.