Veranstaltungsprogramm

Durch die mediale Präsenz von mentalen Gesundheitsproblemen von aktiven Spitzensportler:innen ist das Thema psychische Gesundheit mehr und mehr in den Fokus einer ganzheitlichen sportpsychologischen Versorgung gerückt. Mentale Stärke wird nicht mehr mit mentaler Gesundheit gleichgesetzt und es wird für die Betroffenen leichter, Symptome anzusprechen. Dennoch ist es noch ein langer Weg der Entstigmatisierung und Enttabuisierung von psychischen Symptomen und Erkrankungen im Bereich des Spitzensports, wo jeder glänzen und stark sein will oder muss. Das Projekt „Wendepunkt“ des Österreichischen Bundesnetzwerk Sportpsychologie versucht hier seit 2021, niederschwellige Unterstützung durch Sensibilisierung und geförderte Krisenberatung anzubieten. Die Sensibilisierung erfolgt durch österreichweite Trainer:innenfortbildungen und Wissensvermittlung an Athlet:innen über Fördereinrichtungen. Für die Krisenberatung können sich Athlet:innen und Trainer:innen vertraulich an die ÖBS-Beratungsstellen wenden, wo im Erstkontakt der Bedarf erhoben wird und dann an ein:e Berater:in weitervermittelt wird. Studien (Gulliver et al., 2012) zeigen, dass es eine wichtige Voraussetzung in der Versorgung von Spitzensportler:innen rund um mentale Gesundheit ist, niederschwellige, geförderte, zeitlich und örtlich flexible Angebote durch sportvertraute Expert:innen bereitzustellen. Das Projekt „Wendepunkt“ bietet Nachwuchs- und Kaderathlet:innen und deren Trainer:innen geförderte Krisenberatung durch qualifizierte klinische Sportpsycholog:innen und Sportpsychotherapeut:innen an, um kurzfristig Entlastung, Orientierung und Stabilisierung in einer psychischen Krise zu finden. Sämtliche Situationen, wo Sportkarrieren einen Wendepunkt erreichen und der/die betroffene Sportler:in sich damit überfordert fühlt, können Anlass für die Krisenberatung sein. Das Projekt beschreibt aktuell ein Versorgungsmodell, welches in Hinblick auf die Prävention ausgewertet wird.

In einer Studie mit 865 Sportstudierenden im deutschsprachigen Raum konnte gezeigt werden, dass vor fünf Jahren mehr als 56 % Schmerzmittel einnahmen (Bumann et al., 2020). Das Ausmaß ist somit vergleichbar mit der Schmerzmitteleinnahme von Profifußballer:innen (54 %) im Turnierkontext (Leyk et al., 2023). Betrachtet man die Schmerzmitteleinnahme von Sportstudierenden aus der Perspektive von Studienergebnissen, die eine höhere Health Literacy (HL) bei sportlich aktiven gegenüber inaktiven Studierenden ausweisen (Göring & Rudolph, 2015), erscheint die Schmerzmitteleinnahme im Sportstudium zunächst höher zu sein, als ihre angenommene HL erwarten ließe. HL, d. h. die Kompetenz, das Wissen, die Motivation und das Handeln mit gesundheitsbezogenen Informationen beginnt am Beispiel Schmerzmittel mit dem Verständnis, wie man sich über Schmerzmittel informiert und reicht bis zu einer reflektierten Entscheidung, die mit einer reduzierten Schmerzmitteleinnahme einhergehen sollte (vgl. Sørensen et al., 2012). Dennoch scheinen insbesondere sportpraktische Prüfungen eine erhöhte Schmerzmitteleinnahme zu begünstigen (Bumann et al., 2020). Der Beitrag prüft die aktuelle Schmerzmitteleinnahme bei Sportstudierenden im Kontext sportpraktischer Prüfungen unter Berücksichtigung des angenommenen Zusammenhangs mit HL.

Die Datenerhebung erfolgte als Online-Umfrage mittels LimeSurvey im November 2022 und fokussierte auf Sportstudierende, die im letzten und vorletzten Semester an sportpraktischen Prüfungen teilgenommen hatten. Die Umfrage umfasste die Schmerzmitteleinnahme, die Einschätzung von Nebenwirkungen sowie die HL der Studierenden mittels des deutschsprachigen Fragebogens HLS-EU-Q16 (Röthlin et al., 2013). In die Auswertung gingen die Daten von 155 Studierenden (52.3 % weiblich; M_Alter = 23.50, VB = 20-39 Jahre) ein.

47.7 % der Sportstudierenden nehmen Schmerzmittel im Kontext sportpraktischer Prüfungen und Lehrveranstaltungen ein. Am Beispiel Ibuprofen zeigt sich, dass im Vergleich zur Situation vor fünf Jahren weniger Schmerzmittel eingenommen werden (p = .02, h = .20), aber die Schmerzmittelprävalenz weiterhin als hoch einzuschätzen ist. Ein systematischer Zusammenhang zwischen Schmerzmitteleinnahme und HL kann statistisch nicht abgesichert werden (r_s = .03, p = .79). Sportstudierende, die Schmerzmittel einnehmen, neigen mehrheitlich zu einer Unterschätzung von Nebenwirkungen und holen nur zur Hälfte ärztlichen Rat ein (51.4 %). Studienfortschritt und HL weisen einen schwach positiven Zusammenhang auf (r_s = .23 [95 % KI: .07, .38], p = .004), wobei 74.7 % der Studierenden eine als unzureichend einzustufende HL zeigen.

Das Ausmaß der Schmerzmitteleinnahme bei Sportstudierenden befindet sich im Vergleich zu Bumann et al. (2020) auf einem niedrigeren, aber weiterhin hohen Niveau, auch wenn man hierbei den geringeren Stichprobenumfang entsprechend berücksichtigt. Die Daten deuten auf eine wenig informierte Schmerzmitteleinnahme und eine unzureichende gesundheitsbezogene Handlungsfähigkeit im Mikrosystem Universität hin. In Anbetracht möglicher gesundheitsschädlicher Konsequenzen einer unreflektierten Schmerzmitteleinnahme liefert die Studie Ansatzpunkte, dass eine Förderung der HL sowie die Entwicklung von Unterstützungsmaßnahmen im Sportstudium mehr Berücksichtigung finden sollte.

Mobile health interventions are promising tools to deliver health behavior change interventions due to their adaptability and wide reach. The SMARTFAMILY study aimed to evaluate the effectiveness of a theory and behavior change techniques (BCTs) based mobile health intervention within families for behavior change in physical activity (PA) and healthy eating (HE). The study was a cluster-randomized control trial for adults and children who are sharing a common everyday life and live together as a family (see Wunsch et al, 2020). The SMARTFAMILY2.0 trial included a baseline assessment (T₀) over one week, followed by a three-week intervention with - among other BCTs - collaborative goalsetting and a just-in-time adaptive intervention on the application (intervention group) or a no-treatment period (control group). Directly after this period a second assessment over one week (T₁) took place and four weeks later a follow-up was assessed using questionnaires only (T₂). The main outcomes were self-reported and device-based measured PA, self-reported HE, and secondary domain-specific outcomes included intrinsic motivation, self-efficacy, and the family health climate. Results will be analyzed using a general linear mixed model with random intercepts which accounts for participants being nested within families. Data from 51 families (intervention group: 26 families with 98 participants; control group: 25 families with 94 participants) will be used for the analyses. Results regarding a group x time interaction for any PA or HE measure will be reported. Additionally, the association of the secondary outcomes self-efficacy, intrinsic motivation, and family health climate with the PA and HE outcomes will be explored. Finally, the individual development of participants and families will be screened for responder/non-responder patterns. Calculation of the results is currently in progress and the results will be fully available at the conference. Limitations of the study include that the age of children varied a lot as older and younger siblings were also included, the sample was already quite active at baseline, and data collection was conducted during the Covid-19 pandemic which might have influenced the results due to the restrictions even though we only collected data when schools were open. This pre-registered and well-powered study will enhance our understanding of mHealth interventions within the family setting and the covariates allow us to explore the results from different perspectives.

Mobile health (mHealth) solutions seem to be a promising approach to tackling a sedentary lifestyle in modern society. They have the potential to identify situations when people are likely to engage in unhealthy behavior or when they face opportunities to perform healthy behaviors. These situations can serve as triggers to manipulate current behavior, defined as just-in-time adaptive interventions (JITAIs) by using real-time behavioral data. The current position paper aims to provide a “think piece” by synthesizing evidence into a short conceptual overview of JITAI research by creating a framework and discussing future directions of JITAI research with a focus on PA interventions. Most existing JITAI studies show considerable methodological constraints regarding effectiveness measures, i.e. regarding sample size, study design, and reporting of JITAI features. Due to the novelty of this research topic, most studies focus on feasibility rather than on the examination of effectiveness in order to aggregate basic knowledge about JITAIs. In conclusion, JITAIs are a promising feature in mHealth applications, however, showing a lack of theoretical underpinning until today. To summarize evidence on JITAI implementation research and to provide some guidance, the following key features were identified: a JITAI should 1) correspond to real-time needs; 2) adapt to input data; 3) be system-triggered; 4) be goal-oriented; and 5) be customized to user preferences. These features aim to provide first insights into how to guide researchers and practitioners when developing and reporting JITAI features implemented in mHealth interventions. Even though JITAIs are a very promising data-based approach for behavior change, participants' opinions and preferences have to be considered when designing such interventions. The goal is to empower participants to change their behavior using subtle and frequent reminders and not to force them towards a goal. If participants are involved in the decision-making, the algorithm benefits as well and will fit the preferences far better than by device-based measured data alone. Another important aspect is data security. As this kind of intervention uses a large amount of personal data in real-time, scientists have to be extra careful in setting up encrypted connections and choosing the right server. Concluding from the existing knowledge, the potential of machine learning and deep learning principles for JITAIs regarding mHealth should be further explored and established.