分析糖尿病管理患者报告结果短信工具中的用户参与:参与表型研究

简介

背景

国家质量论坛和食品药品监督管理局将患者报告结果(PRO)定义为“直接来自患者的患者健康状况状况报告，无需临床医生或其他任何人对患者的反应进行修改或解释。”“(1，2］．有利因素包括与健康有关的生活质量[3.]、对医疗方案的坚持程度、对治疗的满意度和疾病控制的要素[4］．尽管医疗技术的创新已经能够非常准确地测量物理、生理或生化数据，但它们无法提供患者对其治疗或疾病的看法[5］．这些数据只能直接从患者那里获得[6］．因此，临床试验中的PROs对所研究的治疗或干预的益处提供了更全面的评估[7］．随着以病人为中心的卫生保健系统的出现，病人被认为是卫生保健系统的中心[8]，患者和患者倡导者呼吁将更多以患者为中心的结果报告(即PROs)与其他临床和生理结果结合起来[5］．

传统上，专业人士的评估是使用调查工具[4，9］．然而，最近移动医疗(mHealth)技术的进步使各种[10可以用来收集PRO数据的工具和应用程序。使用移动健康技术，pro可以从个人电脑、使用应用程序或短信工具的平板电脑或智能手机等移动解决方案，或通过网络浏览器输入的数据进行电子评估。11］．与传统基于调查的方法相比，使用移动健康技术收集PRO数据具有几个优势，包括实时数据收集、减少记录时间、自动化算法和计算、家庭症状监测、立即传输数据供临床使用、增强患者参与护理以及更明智的临床决策[12-14］．

在美国，未控制的2型糖尿病(T2D)是一个重要的公共卫生问题，特别是在弱势人群(如低收入、种族和少数民族)中[15，16］．先前的研究已经认识到患者在T2D的管理中发挥着核心作用(例如，了解其体征和症状并参与日常自我护理行为)，一些国家和地方组织已发起倡议，支持在T2D患者护理评估中开发和使用pro [17-21］．然而，现有的将PROs纳入T2D护理的研究大多局限于临床药物试验，以检测患者对新治疗方案的耐受性[22］．对T2D进行的少数基于实践的研究使用了很长的PRO测量列表，并且仅让患者在单一情况下报告PRO，通常是在门诊就诊之前[23，24］．这样的报告增加了回忆偏差的风险。为了解决这些缺点，越来越多的研究正在使用移动健康平台，以便在临床环境之外实时收集pro [25-31］．

客观的

对先前移动健康研究的分析表明，大多数研究在评估干预对T2D患者健康结果的设计影响时，没有考虑用户参与指标[30.］．在少数报告用户粘性数据的研究中，大多数都受到样本量小的限制[32]及低回应率[33］．尽管先前的研究发现，考虑用户偏好和mHealth PRO干预措施的个性化是影响用户粘性的关键方面[34]，在修改mHealth PRO工具以优化数字干预和提高患者参与度的最佳实践方面缺乏共识[35］．因此，促进持续参与干预的PRO收集的理想节奏尚不清楚，并可能根据用户特征而有所不同[36］．为了解决这些差距，本研究报告了一项正在进行的随机对照试验(调查mHealth短信工具，将患者报告的数据嵌入糖尿病管理[i-Matter])的纵向用户参与数据分析，评估PRO mHealth短信工具对282名未控制的T2D患者的T2D管理效果[31］．本文讨论并比较了随机接受i-Matter干预的患者与社会人口学特征患者使用PRO工具的模式，为基于患者参与的干预的未来适应提供见解。

方法

招聘

患者从纽约大学朗格尼健康中心横跨纽约市5个区和长岛的初级保健实践网络中招募。我们招聘的细节已于先前报道[31］．简而言之，要参与i-Matter，患者必须:(1)T2D诊断≥6个月，(2)T2D未受控，定义为在电子健康记录(EHR)中记录的糖化血红蛋白>7%，过去一年至少两次，(3)英语或西班牙语流利，(4)愿意发送和接收短信，(5)>年龄18岁。如果患者(1)拒绝或无法提供知情同意，则排除他们;(2)有急性肾功能衰竭、终末期肾脏疾病、透析、肾移植或EHR记录的其他终末期肾脏疾病相关服务的证据;(3)参与另一项T2D研究;(4)有明显的精神合并症或药物滥用报告(记录在EHR中);(5)已怀孕或计划在12个月内怀孕;或(6)计划在未来12个月内停止在该诊所的护理。

本文集中研究了61例随机接受i-Matter干预的患者，他们要么在12个月的研究访问前退出试验(即未完成者)，要么完成了试验(即完成者)。我们排除了目前正在参与试验的患者，因为他们的数据不完整，无法全面了解他们对PRO消息的参与如何随着时间的推移而变化。

i-Matter干预

“研究一种移动健康短信工具，将患者报告的数据嵌入糖尿病管理”(i-Matter)试验正在评估一种创新的移动PRO系统的有效性，该系统将患者对其疾病的看法纳入初级保健实践中的T2D管理。研究统计学家将参与试验的患者按1:1的比例随机分配到i-Matter干预或常规护理(即由初级保健提供者进行的标准糖尿病护理)。i-Matter干预使用短信实时捕获患者自我报告的PROs，根据对PROs的响应提供数据驱动的反馈和激励信息，并创建PROs的动态可视化，在个性化报告中共享并集成到临床EHR中。我们目前正在进行一项随机对照试验，以评估i-Matter干预与常规护理在降低A1c血红蛋白水平和12个月自我护理行为依从性方面的疗效，对象为282例在资源有限的初级保健实践中接受护理的未控制T2D患者。

在i-Matter干预中嵌入PRO消息的描述

PRO系统发展的详情已在别处报道[31］．简单地说，我们使用了一种混合方法，以用户为中心的设计方法来选择集成到i-Matter干预中的pro。我们的方法包括回顾现有的关于T2D PRO测量的文献，与初级保健提供者和患者进行访谈，以获取他们的T2D经验，并收集调查数据。将这些数据源结合起来，以确定将集成到i-Matter测试版中的pro，并在T2D患者中进行用户测试。表1列出了最后一组pro，包括它们的时间和响应选项，这些选项被集成到i-Matter干预中。每天白天的信息包括关于睡眠质量和健康饮食的正面信息，而每天晚上的信息包括关于体育活动的正面信息(表1提供更多细节)。患者可选择何时接受药物依从治疗[37根据他们的药物治疗方案，在下午，晚上，或两个时间。其余的pro在所有患者中时间相同。此外，患者可从用户测试中确定的选定主题列表中选择一个健康生活目标(表1)．关于个性化健康生活目标和患者糖尿病生活质量的问题每周发送一次，其余信息每天发送一次。根据患者的语言偏好，pro可以用英语或西班牙语发送。

措施

参与指标

用户参与数据是从患者在参与为期12个月的研究结束时对嵌入在短信工具中的PROs的回复中提取的。本研究评估的主要用户粘性指标列于表2，包括RR和响应时间(RT)的指标。RR表示获得有效回答的PRO问题的百分比。RR指标代表患者对个别PRO问题的参与度[36］．RR一条消息的时间是用PRO消息发送给患者和患者发送相应响应的时间之间的时间差(以秒为单位)来衡量的。在测量RT时，只使用了对PRO的有效回应。RT指标反映了PRO信息与患者日常生活的融合程度，这反过来又预计会影响他们的参与水平。

总体RR和RT是通过在一段时间内(每周或每月)取相应测量值的平均值来衡量的。我们还通过将在一天中相似时间(白天、夜间)或一周中相似时间(工作日和周末)发送的消息和需要相似回复的消息(是或否，1-10)进行分组，来测量rr和RTs。根据患者对何时接收消息的决定，药物依从性PRO用于夜间RR和RT测量一次或两次。

人口特征

在基线时，所有患者都完成了一份自我报告工具，用于收集患者的社会人口学数据，包括性别、种族或民族、年龄、家庭年收入、教育水平、婚姻状况和就业状况。

分析

为了分析用户使用PRO信息的参与度，我们首先比较了完成12个月研究的用户(即完成者)和在项目完成前结束参与的用户(即未完成者)之间RR和RT的参与度指标。此外，我们还调查了未完成作业的学生中途退出次数的分布。此分析的目标是识别可能在早期阶段退出项目的参与者，并对项目进行裁剪，以在未来的迭代中最小化退出。

我们使用潜在类轨迹建模(LCTM)比较了完成者组的用户粘性的纵向数据。目标是将异质种群划分为具有不同轨迹的同质集群或亚群[38基于他们参与行为的相似性。对于LCTM模型，我们以不同的时间间隔测试用户粘性，包括每周、两周(每两周测量一次)、每月和双月(每两个月测量一次)。我们选择月度用户粘性测量进行最终分析，因为它们提供了较小的每周和两周单位之间的平衡，其中类别之间的用户粘性差异将难以区分，而较大的双月用户粘性测量将需要较小的轨迹样本量。

最后，我们调查了LCTM模型从时间和PRO消息类型的各个横截面中识别的子组之间的参与度差异。在进行比较之前，采用夏皮罗-威尔克正态检验分别评估各组的所有参与测量。我们还探讨了患者的总体社会人口学特征及其在亚组中的分布。分析的目的是进一步描述亚组的特征，并确定可能属于亚组的患者。

伦理批准

这项研究得到了纽约大学朗格尼健康机构审查委员会(i18-01044)的批准。

结果

i-Matter干预中的患者参与

截至2022年4月，共有61名患者完成他们对i-Matter干预的参与在61名参与者中，42名(69%)完成了为期12个月的课程，而其余19名(31%)未完成课程的人则以以下方式结束了他们的参与退出(10/ 61,16%)或要求招聘团队除名(9/ 61,15%)。

未完成组的整体敬业度指标

图1显示19例患者在12个月研究访问前结束参与的时间分布(以天为单位)。项目平均参与时间为211 (SD 124.99;范围9-363)天。至少53%(10/19)的患者在平均参与时间之前退出了该项目。其余患者中，4人在项目的最后一周(自入组之日起356天后)结束参与。4例患者总体RR均在70%以上(mean 85.92%， SD 10.73%;中位数90%，IQR 10.34%)，这表明终止该计划可能是无意的。

‎ 查看此图

完成者组的整体参与指标

平均RR为71.44% (SD为26.50%)，中位数为76.91% (IQR为32.72%)。图2为该组RR的分布。大约45%的患者RR低于平均值。rr的分布呈非正态分布(P<措施)。

‎ 查看此图

非完成者和完成者的敬业度指标比较

图3显示了提前结束项目的患者(未完成者)与完成整个12个月的患者(完成者)之间的PRO参与指标的比较。参与者的RR (图3A)完成计划者(平均71.44%，SD 26.50%)远高于未完成计划者(平均47.40%，SD 37.33%)。此外，两组中rt的分布图3B表明，平均而言，完成者对PRO信息的响应速度(平均1325秒，SD 3709秒)比未完成者(平均1359秒，SD 3754秒)更快;然而，由于RTs的差异很大，差异并不显著。

‎ 查看此图

完成者中业务子组的描述

最初，我们构建了一个范围模型，暂时选择了一个合理数量的类，K=2，对于LCTM。在下一步中，我们通过改变类的数量(K=3)和探索潜在类线性混合模型的变化。我们把课程数量限制在K=3，因为我们的研究样本量(即患者数量)。最终模型的类数根据最低贝叶斯信息准则确定。基于我们的结果变量RR在完成组中的分布，我们调查了两种标准线性混合模型(使用hlme函数)和潜在过程、潜在类混合模型(lcmm功能)。最后，我们通过检查被分配到每个轨迹类别的后验概率，并将每个个体分配到概率最高的类别，进行模型充分性评估。这些分配的最大后验概率的平均值超过70% [39被认为是可以接受的。我们总共测试了11个模型(多媒体附件1)，最后，建立了潜类线性混合模型K=3个班级被选为最合适的。3个类的轨迹结果显示在图4A和4B。我们将这3个类别定义为低参与度(红色)、中等参与度(蓝色)和高参与度(绿色)亚组。个人层面数据的意大利面图表明，初始rr与粘性指标变化的时间和方向相结合，是子群体的特征。例如，如图4B，低参与亚组的特点是在干预的最初几周RR最低，随后RR急剧上升，直到轨迹中期(~5个月)，随后在患者参与的其余时间RR稳步下降。相比之下，中度投入亚组的RR开始高于80%，在干预的中点下降到75%，然后在最后几个月稳步上升到79%。最后，高参与度亚组在12个月的研究期间表现出持续的高RR (图4B)。

‎ 查看此图

完成者敬业度子群体的比较

概述

表3根据发送每条PRO消息的星期几和时间，显示3个子组的RR和RT。由于发现RTs的分布在整个人群和三个亚组中均显著非正态分布，我们使用Kruskal-Wallis单因素方差分析来比较三个亚组之间的参与性，随后采用事后Dunn检验和Bonferroni调整进行两两比较。总体而言，结果表明高参与度亚组患者的总体RR(96.27%)明显高于中度参与度亚组(78.66%)或低参与度亚组(54.35%)(表4)．此外，高参与度亚组的患者对PRO信息做出回应的平均时间(平均559秒，SD 451秒)明显短于中度参与度亚组(1564秒，SD 1138秒)或低参与度亚组(2814秒，SD 5115秒)。在大多数测试中，三个子组之间的参与度差异是一致的，无论一周中的哪一天(工作日和周末)或消息的时间(白天和晚上;表4)．此外，夜间发送的信息的RR(灰色突出部分)被发现高于所有3个亚组的总体RR。

我们还分别比较了6条PRO消息在子组之间的用户参与度。此外，pro被按响应类型分组(是或否作为二进制，其余的消息作为李克特类型量表)，并单独进行比较。如表5，所有6条消息的RR均有显著差异。例如，低参与度、中度参与度和高参与度亚组的睡眠质量PRO的平均rr分别为44.84%、60.44%和93.28%。同样，除了身体活动外，在三个子组中，所有消息的RT也有显著差异。总体而言，二元PROs(是或否)在所有3个亚组中都比likert量表PROs有更高的RR。事实上，患者对二元PRO信息、药物依从性和饮食(健康饮食)的RR均高于所有3个亚组的平均水平。相比之下，患者在实现健康生活目标(每周下午2点)方面对李克特量表PRO的反应始终较低，只有3条消息中有一条收到来自低参与亚组的有效回应。子组两两比较的进一步细节载于表6。

参与亚组患者社会人口学特征的比较

我们检查了完成项目的患者的社会人口学特征(n=42)，并比较了他们在3个参与亚组中的分布情况。在6.85%(23/336)的案例中，至少有一份社会人口学问卷是缺失的。如表7总体患者样本多为女性(12/ 42,71%)，非西班牙裔或拉丁裔(22/ 28,79%)，英语流利(38/ 41,93%)，完成学士学位或以上学位(21/ 41,52%)，已婚或与伴侣生活(18/ 41,44%)。人口统计数据的分布进一步表明，相对于总体人口分布，男性西班牙裔或拉丁裔患者的高参与度高于女性和非西班牙裔或拉丁裔患者。此外，高参与度亚组主要由年龄变化最小的老年患者组成(53 - 68岁)，西班牙裔或拉丁裔患者(3/ 10,30 %)具有双语能力(2/ 16,13 %)，并且至少完成了研究生水平的教育(5/ 16,31 %)。

相比之下，低投入的亚组主要由被确定为非洲裔美国人的患者组成(7/ 12,58%)，并且报告的年收入最低，每3名患者中就有1名年收入在2万美元或以下。最后，婚姻状况在低参与度组和高参与度组之间相对一致。

讨论

主要研究结果

虽然实现血糖控制对T2D患者的临床意义重大，但正是T2D患者的日常生活经验，推动了患者坚持治疗方案并参与到他们的护理中[40］．本研究报告了i-Matter试验中用户对PRO的参与情况，旨在收集实时PRO数据，这些数据对T2D临床管理中的患者和提供者都有意义。我们对用户参与的回顾性分析发现，基于个体的PRO反应，有明显的参与表型:早期退出项目的患者(非完成者)需要更多的时间来回应PRO问题，并且比完成者更不可能做出回应。在完成者中，纵向rr的分析确定了三个在参与方面有显著差异的亚组。与其他两个完井子组相比，最低接合子组的完井者的RR明显更低，RT更长。这些结果表明，RR较低且rt较长的患者有退出项目或继续以低于平均水平的水平参与PRO问题的风险。未来的分析将评估这种模式是否与自我管理行为的较差坚持有关。

我们的分析进一步揭示了完成者的敬业度表型在敬业度峰值的时间上存在差异。低敬业度完井者的平均敬业度随着时间的推移呈现出几乎正态分布，敬业度在项目中期达到峰值，随后稳步下降。在12个月的研究中，患者在每天回复多条短信后出现疲劳，这可能是参与度在峰值后下降的原因[41］．需要进一步的评估和分析，以确定如何在该计划的后半段保持该子组的最高参与度。与低参与度亚组相比，中度参与度亚组在峰值参与度上表现出相反的趋势:在该计划的前7个月，参与度下降，随后稳步上升。

高参与度亚组在整个参与过程中始终表现出>90%的RR和低RT。他们也代表了三个亚组中最大的样本。高参与度的原因，以及这种反应模式是否会导致T2D患者更好的健康结果(行为和临床)，将在未来的分析中探索。参与高峰时间的变化表明，需要分析患者动机和自我护理行为活动的纵向数据，以确定其周期性变化，并评估其对用户参与的影响。

传统上，社会人口特征，包括年龄较大、收入较低、失业状况、受教育程度较低、少数种族和族裔群体成员、语言障碍和地理障碍，与较差健康结果的风险升高有关[42］．我们对社会人口学指标的分析也表明，在我们干预的高参与度亚组和低参与度亚组之间，种族、年龄、语言和收入的分布有所不同。高投入度完成者主要是年龄较大、西班牙裔、双语和高学历(研究生或以上)。

这些发现反映了移动健康研究的增长趋势，该研究表明，行为干预，特别是那些利用短信的干预，在英语水平有限的西班牙裔个人中有很高的用户参与度[43，44］．例如，Cartujano-Barrera等[44在一组西班牙语双语个体样本中，通过短信进行为期12周的戒烟干预，报告了高互动性(73%)和低退出率(20%)。同样，一项旨在改善糖尿病管理的短信干预显示，在安全网初级保健实践中随访的低收入西班牙裔患者中，参与率高(至少一条短信的RR为86%)，辍学率低(6%)[45］．这与皮尤研究中心公布的数据一致。46]，结果显示西班牙裔患者的手机拥有率和使用率高于非西班牙裔白人患者(100% vs 97%)。对说西班牙语的西班牙人的短信研究的定性评估数据表明，接收和回复短信是一种情感支持的来源[45为改善糖尿病管理而采取的自我照顾行为。先前关于T2D患者自我护理行为差异的研究报告了一致的证据，即在运动中没有差异，但有一些证据表明存在相反的差异。与非西班牙裔白人患者相比，西班牙裔T2D患者的饮食更健康[47]，这可能表现为更高的参与度，特别是在西班牙裔患者中与健康饮食PRO合作。虽然我们发现老年人更有可能是干预的高度参与者，这似乎与之前的研究不一致[48-50]，最近的数据显示，超过85%的年龄≥50岁的成年人主要通过短信交流[51］．对糖尿病药物依从性障碍的研究也发现，年龄较小与动机和行为障碍有关[37]，这可能表现为在我们的干预中，年轻患者的参与度较低。

我们的分析进一步表明，年收入最低的非裔美国患者最有可能对PRO信息的参与度较低。这似乎是合理的，我们的干预措施的最初发展可能没有捕捉到这一患者群体的独特需求和担忧。因此，消息的内容和传递可能不合适，导致低参与度。之前的研究也发现了低收入非洲裔美国人患者参与短信干预的障碍，包括个人手机拥有率低，难以回复短信，以及报告该项目对改善自我管理行为没有帮助或相关[37］．这些发现表明，未来的短信干预必须考虑干预的技术元素以及可能影响用户参与度的上下文因素(如经济和文化)。

限制

虽然这项研究有很多优点，但我们注意到以下的局限性，可以考虑未来的研究。首先，尽管我们的干预纳入了T2D患者，但患者患有2种或2种以上慢性疾病(即多病)比单独患有一种疾病更常见(分别为89.3%和8.5%)[52］．最近的研究表明，多重疾病对PROs的负面影响，如生活质量、心理健康、自我效能、身体功能和自我管理行为[53］．因此，未来的研究应该研究适应多病人群是否会提高患者的参与和提供者对共同发生的慢性疾病的管理，而不是使用单一的疾病焦点，这可能会导致护理的低效率和碎片化。其次，我们没有研究可能影响患者参与干预的心理社会因素。他们在加入计划前的动机、知识和自我效能行为可能会影响他们与专业人士的交往[54］．对i-Matter数据的未来分析将研究基于自我报告的糖尿病自我护理行为、药物依从性、自我效能和糖尿病管理动机的用户参与度指标的差异。我们还注意到，由于样本量小，我们的数据分析可能存在局限性。更大的样本量将提供更强的统计能力，以检测统计数据之间用户粘性的显著差异(如果确实存在差异)。未来对i-Matter数据的分析将包括完成试验的其余患者。

结论

总之，我们发现早期退出干预的患者(即非完成者)对PRO问题的RR较低，对PRO问题的反应时间较完成者长。在完井者中，纵向rr分析发现随着时间的推移，有3个亚组的敬业度。我们的研究结果表明，患者的社会人口统计学以及RT测量为需要进一步支持以继续参与干预的患者提供了良好的可预测性。未来的试验应在干预的早期识别这些患者，并定制PRO信息及其时间，以引起更高的参与度。

i-Matter干预是通过患者的积极参与而设计和开发的，解决了协议符合性的困难，缺乏EHR的临床整合，以及提供者对实践中PROs效用的怀疑，这些都是以前试验的特征，因此增加了开发可持续方法的可能性[55］．尽管做出了这些努力，但结果显示，31.1%的患者在最后12个月的研究访问前退出了干预，这表明PRO短信工具在未来的试验中有改进的空间。例如，白天发送的消息在这个子组中产生了最低的参与度，这表明需要进一步定制PRO消息的时间，以确保消息的节奏适合用户的日常生活，以提高参与度。该分析为如何在i-Matter干预的未来迭代中使PROs更加以患者为中心提供了见解。目前对完成该项目的患者进行定性访谈的研究将用于识别潜在的激励因素，这些因素可以集成到i-Matter的未来版本中。