一滴|移动:与应用粘性相关的血红蛋白A1c改善评估

介绍

市场上有超过1500个移动应用程序协助糖尿病自我管理，但对其临床效益的研究有限。在过去的一年里，一些系统综述和荟萃分析评估了糖尿病应用程序对血糖控制或血红蛋白a的影响_{1 c}(HbA_{1 c}) ［1-4]。三篇评论共包含19项研究，评估了16个独特的应用程序。其中只有5款应用是公开的(如dBees)。5]， Diabeo [6]，葡萄糖好友[7]， mDiab/Mobil Diab [8，9]和WellDoc [10，11])。

评估公开应用程序的试验提供了对其临床价值的见解。例如，使用dBees自我保健和血糖跟踪应用程序的1型糖尿病患者没有HbA卡_{1 c}随着时间的推移或与使用纸质日志的人相比的改进[5]。儿童和青少年T1D患者使用mDiab/Mobil Diab [8降低了他们的HbA_{1 c}，但与传统护理对照组相比，并没有显著增加。相比之下，2型糖尿病(T2D)患者使用mDiab/Mobil Diab降低了他们的HbA_{1 c}明显高于常规护理对照组[9]。在两项独立的随机对照试验(rct)中，T1D患者使用糖尿病胰岛素给药应用程序[6]或葡萄糖好友追踪应用[7降低了他们的HbA_{1 c}明显高于对照组。最后，使用WellDoc跟踪和指导应用程序的T2D患者显著降低了他们的HbA_{1 c}相对于控制[10，11]。

有限的临床证据支持公开可用的糖尿病应用程序是有希望的，但仍有许多未知因素。在报告数据的7项试验中，没有研究样本超过200人，这对概括性有影响。此外，对血糖控制的影响与暴露于整个干预措施或应用程序而不使用该应用程序或其其他方面有关。

定性研究表明，糖尿病患者(PWD)希望应用程序具有自动自我护理跟踪[12]、药物提醒[13，14]，与同行和供应商共享数据[15]包括报告[16]，以及一个蓝牙连接的电表[17]。公开可用的应用程序提供了这些和其他功能(例如One Drop | Mobile)，但将使用这些功能与健康结果联系起来的研究有限。

需要进一步的研究，通过更大的样本进行测试，并将应用程序的参与度与健康结果联系起来，以扩大其普遍性。为了解决这些差距，我们评估了HbA_{1 c}在使用One Drop |移动应用程序的大量T1D和T2D患者样本(N=1288)中进行了变化。我们还评估了使用该应用程序是否会导致HbA测量的血糖控制发生显着变化_{1 c}值。

方法

一滴|移动

One Drop |手机应用于2015年4月推出。它可以在iOS、WatchOS和Android操作系统上免费使用。

One Drop |手机有多种功能来支持糖尿病管理(见图1)。用户可以手动或被动地(通过HealthKit、谷歌Fit和支持蓝牙的One Drop | Chrome血糖仪)存储和跟踪血糖读数、药物剂量、身体活动和消耗的食物。此外，用户还可以查看关于这些数据的每日、每周和每月汇总统计信息。内置的食物库便于跟踪食物。一个可选的药物调度提醒用户，当剂量到期，方便跟踪药物。用户还可以查看一段时间内血糖读数的百分比，并存储和跟踪HbA_{1 c}价值和体重。重要的是，他们可以设定每天的目标(时间范围、药物依从性、碳水化合物摄入量和身体活动)，并监控他们朝着这些目标的进展。用户还可以通过应用内的新闻源获取大量与糖尿病相关的信息，其中包括健康提示、文章、信息图表、用户投票、专家访谈和科学研究结果。社区部分允许用户查看和学习其他用户的数据。地图上显示的点代表着当地任何地方的其他One Drop | Mobile用户，并提供了查看其他用户数据的选项，并提供徽章以提供支持和鼓励。通知收件箱提供数据驱动的见解、成就、提醒，并列出从其他用户那里积累的徽章。

措施

用户的特点

所有One Drop |手机用户完成一个个人资料，可以自我报告性别、糖尿病类型和诊断年份。我们将用户在应用程序中输入的诊断年份与他或她的One Drop | Mobile档案创建年份之间的差值计算为诊断糖尿病的年数。我们使用被动收集的时区数据来确定用户位置。因为美国以外的用户很少输入2hba_{1 c}纳入所需的值，我们在分析中将美国和美国以外的地区分为两类。

‎ 查看此图

自我保健

手机用户可以在应用程序中手动或被动地(通过HealthKit、谷歌Fit和蓝牙One Drop | Chrome血糖仪)跟踪血糖、药物和身体活动。他们还可以跟踪他们消耗的食物(以碳水化合物克数为单位)。我们总结了HbA之间跟踪的数据_{1 c}在这段时间内，获取血糖、药物、活动和食物计数的条目。

血糖控制

用户也可以自报表HbA卡_{1 c}测试结果和测试日期。HbA_{1 c}值可以以mmol/mol或百分比显示，但以百分比存储。在创建One Drop | Mobile帐户后不久，应用程序内弹出要求每个用户输入他或她的HbA卡_{1 c}信息。此提示在之前输入的HbA卡3个月后再次出现_{1 c}测试日期。我们使用HbA_{1 c}测试日期来计算HbA卡之间的天数_{1 c}输入并使用因子30.42(365天/12个月)将日转换为月。

研究监督

解决方案机构审查委员会批准了One Drop | Mobile的数据分析和报告，用于研究目的。

分析

总结性统计表明样本的总体特征，并按糖尿病类型分层。连续变量的分布是不对称的，因此Mann Whitney U检验比较了连续用户特征、应用程序跟踪数据和HbA的平均秩_{1 c}百分比。卡方检验评估不同糖尿病类型的二分类变量的差异。检查和排除无效的自报血糖和HbA_{1 c}数据，我们将每个用户90天的平均血糖转换为估计的HbA值_{1 c}使用公式HbA_{1 c}=(90天平均血糖+77.3)/35.6 [18]。我们计算了转换后的HbA之间的差异_{1 c}和自我报告的HbA_{1 c}并且排除了差异超过2.0%的用户。对于剩下的用户，Spearman的rho相关性测试了自我报告的HbA之间的关系_{1 c}与之前90天的平均血糖进行比较，以确保与文献一致[19]。因为大多数用户输入他们的第一个HbA卡_{1 c}当他们开始使用该应用程序时，我们无法评估第一次自我报告HbA之前90天平均血糖之间的关系_{1 c}。

缺失数据采用多重插值处理[20.]。我们使用预测均值匹配(PMM) [21，22]来计算100个数据集。PMM是一种对违反分布假设(如正态性)具有鲁棒性的多重imputation方法[23，24]。采用SPSS 23.0 (IBM Corp .)软件进行多重插值。

接下来，3个混合效应重复测量模型测试了平均HbA_{1 c}随时间(测试前和测试后)、糖尿病类型(T1D vs T2D)及其相互作用而变化。只有这些效应出现在第一个模型中(即未经调整的模型)。第二个模型对先验协变量进行了调整:性别、地点(美国与非美国)、自诊断糖尿病以来的年份，以及第一次和第二次HbA之间的月数_{1 c}条目。我们将第三种模型限制为t2dm患者，排除了糖尿病类型交互项的时间，并对性别、地点、诊断后的年数、两次HbA之间的月数进行了调整_{1 c}条目和胰岛素的使用。

最后，4个多元回归模型评估了HbA变化之间的关系_{1 c}并使用该应用程序跟踪血糖、活动、药物和食物。第一个未经调整的模型评估了HbA之间的关系_{1 c}变化和自我护理跟踪的4种类型。第二个模型包括糖尿病类型(T1D vs T2D)，第三个模型包括性别、地点、诊断后的年份以及第一次和第二次HbA之间的月数_{1 c}条目。我们将第四个模型限制为t2dm患者，并纳入胰岛素使用和先验协变量。考虑到自我保健数据的偏倚性和统计测试的假设违反，我们将每个变量分为指示跟踪或不跟踪血糖、药物、活动和食物。

结果

截至2017年6月6日，共有2365个One Drop |手机用户输入了2个HbA卡_{1 c}值输入应用程序至少60天，但不超过1年。他们报告了T2D(1526/2365, 64.5%)、T1D(591/2365, 25%)、前驱糖尿病(122/2365,5.2%)、成人潜伏性自身免疫性糖尿病(LADA)(72/2365, 3.0%)、妊娠糖尿病(9/2365,0.4%)、其他类型糖尿病(如手术或化学诱导的糖尿病;29/2365, 1.2%)，或未进入糖尿病型(16/2365,0.7%)。

我们将分析限制在报告诊断为T1D或T2D的用户，并通过检查One Drop | Mobile中记录或计划的糖尿病药物名称来确认诊断。共有408名T1D或T2D使用者被排除在样本之外，因为他们没有药物数据，或者因为记录或计划的药物与他们所陈述的糖尿病类型不一致(例如，T1D患者服用二甲双胍或磺脲类药物，T2D患者使用自动基础胰岛素)。

我们排除了另外288个>2.0% HbA卡的用户_{1 c}第二次自我报告的HbA值之间的差异_{1 c}和HbA卡_{1 c}根据他们90天的平均血糖计算。这一标准导致了rho=的相关性。75和=。73.between the 90-day mean blood glucose and second self-reported HbA_{1 c}分别为T1D (n=367)和T2D (n=921)的受试者P<措施)。这与先前的队列研究一致，报告了平均血糖和HbA之间的相关性_{1 c}从0.71到0.86不等[19]。

分析中包含的多达14个变量中有3个缺少数据:性别(242/1288,18.8%)、地点(14/1288,1.1%)和诊断糖尿病的持续时间(325/1288,25.5%)。对这些变量的缺失数据进行多重输入校正。

分析包括N=1288名用户(见表1)，其中35%(454/1288)为女性，诊断为糖尿病，平均9.4年(SD 9.9)，并在One Drop | Mobile中追踪了他们第一次(平均8.14% [SD 2.06%])和第二次(平均6.98% [SD 1.1%]) HbA之间的平均1646.1 (SD 3621.9)次自我保健活动_{1 c}(多次代入前的计算)。

表1表示预估算的中位数和四分位数范围(IQR)或n (%)P应用程序输入的用户特征、应用程序跟踪的数据和HbA之间的糖尿病类型差异值_{1 c}条目。卡方检验比较二分类变量。Mann Whitney U检验比较了中连续变量的平均秩表1。

与T2D患者(367/1288)相比，T1D患者(921/1288)被诊断为糖尿病的时间更长(U₉₅₈= 71571,z= -7.07,P<.001)，第一次和第二次HbA之间的间隔时间更长_{1 c}(用于U₁₂₈₆= 140143 5,z= -4.79,P<.001)，并追踪更多食物(U₁₂₈₆= 156703 5,z= -2.09,P=.04)，血糖(U₁₂₈₆= 147630,z= -3.56,P<.001)，药物(U₁₂₈₆= 155500,z= -2.26,P= .02点)。他们也比患有T2D的用户更有可能在应用程序中记录或安排胰岛素²_{1, N = 1288}= 408.7,P<.001)，在欧洲使用该应用程序(χ²_{1, N = 1274}= 24.1,P<.001)，并报告较高的第二HbA_{1 c}（U₁₂₈₆= 125966 5,z= -7.14,P<措施)。

在未调整的模型中(多媒体附录1), HbA_{1 c}绝对下降了1.07% (F= 292.03,P<.001)，中位4.0 (IQR 3.1)个月(平均HbA)_{1 c}8.15%)至第二项(平均7.08%)。T1D患者(平均7.74%)的绝对比例为0.25% (F= 9.52,P=.002)更高的HbA卡_{1 c}高于T2D患者(平均7.49%)。糖尿病类型与HbA之间存在显著的相互作用_{1 c}条目(图2)。随着时间的推移，两组都有所改善，但T2D患者的HbA值更高_{1 c}较患有T1D的用户(F= 10.54,P<措施)。

在调整性别、地点、糖尿病持续时间和HbA之间的月数后_{1 c}条目,HbA_{1 c}继续绝对下降1.07% (F= 292.03,P<措施;多媒体附录1)从第一(平均HbA_{1 c}8.31%)至第二项(平均HbA)_{1 c}7.24%)。无论时间如何，患有T1D的用户(平均7.92%)仍然具有较高的HbA_{1 c}（.29% HbA_{1 c}区别;F= 11.66,P<.001)，高于T2D患者(平均7.63%)。在调整后的模型中，糖尿病类型与HbA之间的相互作用_{1 c}条目持续存在(图2)。患有T2D的用户仍然具有更高的HbA_{1 c}较患有T1D的用户(F= 10.54,P<措施)。在调整性别、地点、糖尿病持续时间、HbA之间的月数后_{1 c}T2D患者报告的绝对HbA值为1.27%_{1 c}减少(F= 364.43,P<.001)_{1 c}8.16%)到第二项(平均HbA)_{1 c}6.89%)。

最后，使用该应用程序记录食物与更高的HbA相关_{1 c}即使在调整协变量和进一步调整糖尿病患者的胰岛素使用后，也会减少(多媒体附录2，P< . 05)。

‎ 查看此图

讨论

主要研究结果

我们评估了HbA的变化_{1 c}对于使用One Drop |手机应用超过1年的T1D或T2D患者我们还评估了应用程序和HbA之间跟踪自我保健的关系_{1 c}在这段时间里改变。应用程序用户报告的HbA绝对值下降高达1.27%_{1 c}这取决于他们的糖尿病类型。使用该应用程序跟踪食物摄入量与更高的HbA相关_{1 c}减少。

具有里程碑意义的研究，包括糖尿病控制和并发症试验[25]和英国前瞻性糖尿病研究[26]，发现降低HbA_{1 c}接近正常水平降低了糖尿病并发症的风险。根据最近的评论，糖尿病应用程序与HbA降低有关_{1 c}［1-3.]，但它们的效果在不同的研究和不同的糖尿病类型之间差异很大。

一篇综述报告称，使用糖尿病应用程序的糖尿病患者的HbA值为0.36%_{1 c}3至9个月减少[1]。对于使用dBees自我护理和血糖跟踪应用程序的T1D患者，没有HbA_{1 c}随着时间的推移或相对于使用纸质日志的控制而减少[5]。在另一项试验中，34名患有T1D的儿童和青少年使用mDiab/Mobil Diab跟踪和自我护理支持应用程序降低了他们的HbA_{1 c}0.72%，但HbA_{1 c}对照组也下降了0.98% [8]。在一项非随机对照试验中，90名患有T1D和HbA的成年人_{1 c}≥8%的患者使用糖尿病数字日记和胰岛素计算器降低了他们的HbA_{1 c}相对于对照组减少0.91% [6]。在澳大利亚的36名T1D患者中，他们使用葡萄糖好友跟踪应用程序HbA_{1 c}降低了1.10% [7]。

根据使用One Drop |移动应用程序的367名T1D患者，我们找到了HbA_{1 c}下降了0.86%——这个数字与其他评估公开可用应用程序的研究一致，但比糖尿病应用程序在糖尿病患者中测试的总体效果高出两倍多[1]。此外，与前面描述的试验不同，我们将HbA关联起来_{1 c}他们发现，无论糖尿病类型如何，使用应用程序跟踪食物消耗与更高的HbA相关_{1 c}减少。

对于糖尿病患者，对10项测试糖尿病应用程序的研究进行了评估，发现了平均HbA值_{1 c}还原0.49% [3.]。其中一项研究是一项随机对照试验，评估了公开可用的WellDoc应用程序(现在名为Bluestar)，结果显示HbA降低了2.03%_{1 c}在一个城市地区的15名T2D患者中我们的观察性研究没有对照组或随机分组，包括921例T2D患者，并发现HbA_{1 c}下降1.27%。这HbA_{1 c}改进与HbA的差异相当_{1 c}在最近一项由Hou等人进行的荟萃分析中，WellDoc干预组和对照组之间的改善，并且糖尿病患者使用的糖尿病应用程序的效果增加了一倍以上[3.]。在那项荟萃分析中，另一项试验评估了一款公开可用的应用程序[9]。该试验评估了刚果民主共和国布滕博40名T2D患者使用的mDiab/Mobil Diab应用程序[9]。HbA_{1 c}提高1.78% [9]。基准HbA卡_{1 c}比本研究高0.54%。

限制

本研究有局限性。没有对照组或随机分组。多个潜在的混杂因素可能导致了观察到的结果，因此不可能将使用One Drop b|移动应用程序与HbA之间的因果关系归因于此_{1 c}改变。使用应用程序跟踪自我保健和HbA之间的重要关系_{1 c}利益增强直接联系的信心。用户在使用应用程序和自我报告2个或更多HbA方面也是自我选择的_{1 c}值，引入外部有效性和概括性问题。然而，这种可能性也是任何参与者自我选择参与的随机对照试验所关注的。我们的样本也反映了愿意使用糖尿病应用程序的人。我们可以合理地假设这些人更年轻，具有更高的社会经济地位(即，更高的收入，教育程度)，并且更习惯使用技术。为了保护隐私，One Drop | Mobile不会收集用户年龄，因此无法描述样本的年龄和其他特征(例如教育、收入、保险状况)，也无法在分析中对其进行调整。One Drop | Mobile还有其他与HbA无关的功能_{1 c}在我们的分析中改变或调整。HbA_{1 c}是自我报告的，而不是用实验室检测来评估的。由于该应用程序是用户的工具，不受其他人的审查，因此用户不太可能更改他们的HbA_{1 c}价值观对社会可取性偏见的反应。与先前使用实验室HbA的研究一致_{1 c}值，我们发现一个更大的HbA_{1 c}T2D患者比T1D患者的改善情况[1]。还有自我报告的HbA_{1 c}与HbA前90天的平均血糖高度相关_{1 c}，在本研究中增加了对其作为血糖控制指标的信心。最后，我们的样本包括来自美国国内外的1200多名PWD，这与其他只包括来自一个国家或地区的人的研究不同。

结论

目前还没有评估移动健康应用程序的最佳实践[27]，显然需要更多的研究。这项研究补充了这一工作。糖尿病应用程序开发人员收集数据，既可以改善产品提供和用户体验，也可以评估用户如何受益。

我们相信人们想要并且值得拥有移动健康应用程序，这些应用程序可以满足他们的自我保健需求，并增强他们改善慢性健康状况管理的能力。17，28]。选择一个应用程序是一个挑战。有超过1500个糖尿病应用程序可供选择，更多的正在开发中。一项对65个公开可用的糖尿病应用程序的审查发现，86%的应用程序不适合促进自我管理[29]。消费者的评分并不能很好地反映应用的临床疗效[30.]。精心开发的临床评估结果将帮助消费者选择更好的应用程序，并协助供应商向患者推荐有效的应用程序。