数字健康干预改善高血压妇女饮食质量的可行性:随机对照可行性试验

介绍

美国有超过1亿人患有高血压。1]，是心脏病和中风的主要危险因素，而心脏病和中风是美国两大死亡原因[2］．2017年，美国心脏协会实施了检测、预防和治疗高血压的新指南[3.］．这些指南降低了被认为是最佳血压的阈值，导致大约3000万美国人需要治疗高血压，其中包括1300万女性。1，3.，4］．然而，这些女性中有许多人存在高血压的非典型危险因素，可能得不到所需的治疗。5］．女性参与血压试验的比例不成比例地低，需要为女性量身定制一种生活方式治疗[6］．生活方式治疗适用于所有高血压患者，无论是否也需要药物治疗，但它是高血压患者的一线治疗方法。3.］．

饮食方法来阻止高血压(DASH)饮食模式是一种基于证据的生活方式治疗，以降低血压[7］．DASH强调营养丰富的食物，如水果和蔬菜、全谷物和低脂乳制品，并限制红肉和加工食品[8］．DASH是专门设计来增加钙、镁、钾、纤维和蛋白质的营养消耗，减少饱和脂肪、总脂肪和胆固醇的摄入[8］．最初的DASH试验将典型的美国饮食与非药物高血压成年人的DASH饮食模式进行了比较，结果显示收缩压和舒张压分别降低了5.5和3.0 mmHg [7］．DASH的降压效果已在多项试验中得到复制[9-11］．

因此，DASH在国家血压[3.，12]和饮食[13)的指导方针。然而，在人口水平上采用DASH的情况仍然很差[14］．只有不到1%的美国成年人完全坚持DASH，只有20%的人达到了DASH建议的一半[9，15］．这表明需要改进传播和支持，以增加人口接受和遵守DASH。

智能手机是传播和支持遵守DASH的一个很有前途的渠道。超过四分之三的美国人拥有智能手机，各个社会经济阶层的智能手机拥有率都很高。16］．饮食和健身智能手机应用占43% [16，17的移动医疗应用，其中最受欢迎的应用拥有5000万用户[18］．这些公开可用的应用程序主要是饮食跟踪器，要求用户输入所消耗的所有食物和饮料，然后将这些数据与营养数据库链接起来。尽管这些应用程序很流行，但它们缺乏能够产生行为改变的基于证据的组件，比如持续的自我监控、目标设定、解决问题的技能、反馈和社会支持。19，20.］．为了解决这个问题，我们可以创建一些项目，将这些公开可用的应用程序与基于证据的行为改变原则结合起来，以改善DASH的传播。

在当前的研究中，我们创建了DASH云干预。DASH云使用一款商业饮食跟踪智能手机应用程序收集的数据，通过关于遵守DASH的短信提供量身定制的反馈，并附有旨在支持行为改变的激励信息。我们采用随机对照研究设计，对高血压妇女进行干预的可行性进行了测试。这项为期3个月的试验比较了DASH云干预和饮食跟踪对DASH依从性的影响。利用Leon等人提出的可行性原则[21]，基于成功招募和保留以及干预措施的成功实施，确定了可行性。我们假设接受3个月DASH云干预的女性会有(1)更高的饮食跟踪率和(2)更强的DASH依从性。

方法

研究设计和资格

我们招募了年龄在21 - 70岁，BMI为18.5 kg/m的女性²．如果女性自我报告被诊断患有高血压，使用降压药，或近期收缩压测量值为120至159 mmHg或舒张压测量值为80至99 mmHg，则符合条件。他们被要求拥有装有最新操作系统的智能手机，或者愿意更新到当前版本，有数据套餐，并愿意每天接收短信。有电子邮件地址和流利的英语也是必备条件。如果参与者在过去6个月内有心血管事件或目前被诊断为癌症，在过去一年内因精神疾病而被送往精神病院，或怀孕、哺乳或参加了另一项饮食变化研究，则被排除在外。

符合条件的参与者被重定向到一份在线同意书上进行审阅和签署，其中包括一段描述研究的简短视频和一份书面版本。参与者随后完成在线调查，并在我们的研究办公室参加基线研究访问。在第一次基线访问期间，测量了参与者的身高、体重、血压和抑郁状况。

在第一次基线访问中，参与者下载并指导如何使用Nutritionix饮食跟踪应用程序(Syndigo LLC)，并被要求跟踪他们的饮食一周，以评估他们使用研究应用程序进行跟踪的能力。如果参与者连续跟踪至少4天，他们将在1周后再次进行基线访问。在第二次基线访问期间，参与者采用随机分组设计，随机分组大小从4到8。生物统计学家使用密封信封创建了一个分配表，并上传到研究电子数据捕获(REDCap)项目。通过REDCap软件随机分配后，未失明的研究人员得知分配情况，允许研究人员将参与者定向到DASH云干预或活动比较器臂。3个月后对参与者进行随访。在第二次基线随访和3个月随访时，参与者获得25美元的补偿。所有研究方案均符合杜克大学的伦理标准，并由杜克大学健康中心机构审查委员会批准。该研究于2017年7月12日在ClinicalTrials.gov上注册(NCT03215472)。

招聘

采用多管齐下的方法招募参与者，包括:(1)向北卡罗来纳州罗利、达勒姆和教堂山的健身房、社区中心、杂货店和健康诊所分发传单;(2)发布在Research Match上的研究细节，这是一个将参与者与研究相匹配的国家临床试验注册中心;(3)在Twitter、Facebook和Nextdoor上的社交媒体帖子;(4)与不符合其他研究条件但对类似行为研究表现出兴趣的参与者接触。

干预描述

干预措施包括:(1)使用Nutritionix应用程序跟踪日常饮食;(2)每日或每周的短信，包括对遵守DASH的情况的定制反馈，促进遵守的激励信息，以及具体饮食变化的提示;(3)旨在围绕与DASH相关的不同主题提高技能的动画视频;(4)国家心肺血液研究所(NHLBI)提供的DASH小册子[22］．

每日饮食追踪

所有参与者都被要求每天使用Nutritionix，并输入所有食用的食物和饮料。与许多商业饮食应用程序一样，Nutritionix主要提供跟踪功能。应用程序界面包括按餐和时间输入食物的选项，还包括每种食物的小图片。Nutritionix还拥有一个全面且易于访问的营养数据库，支持进入应用程序。该数据库包括来自美国农业部(USDA)食物成分数据库的所有数据，来自连锁餐厅的数据，以及由Nutritionix员工组成的注册营养师添加的食物。饮食数据每天通过应用程序编程接口(API)从Nutritionix应用程序自动上传。该API将Nutritionix服务器连接到DASH云干预传递系统，该系统使用存储在杜克全球数字健康科学中心(Duke Global Digital Health Science Center)的一个名为Prompt的平台上的服务器。与营养素数据库一样[23]，但并非所有在Nutritionix数据库中可用的食物都有完整的营养数据。例如，我们在DASH算法中使用的镁和钾是许多食物中通常没有的营养素。因此，为了确保我们拥有完整的营养数据，我们的注册营养师手动填写了通过Nutritionix API收到的任何缺失的营养数据。

反馈短信

在前两周，干预平台使用自动算法在美国东部时间中午12点通过短信发送每日反馈，在其余的研究中通过短信发送每周反馈(图1)．在前两周，我们选择每天发送短信，以提供接近特定食物选择的反馈。两周后，我们改为每周反馈，以减轻每天发短信的潜在负担。这一决定是基于平衡近距离反馈概念和频繁通知所带来的负担。反馈信息以个性化的问候(例如，“你好，[名字]”)和参与者前一天的DASH饮食坚持评分(例如，“你昨天的DASH评分是5.5”)开始。这个分数是用meellen等人[15]的指标，以评估DASH的营养指标。该评分采用9分制，基于前一天钾、钠、镁、钙、饱和脂肪、总脂肪、总蛋白质、胆固醇和纤维的摄入量。我们的算法比较了DASH中这些营养素的总摄入量和推荐目标。类似于梅伦等人[15]指数，我们的软件平台被编码，根据每种营养素与推荐目标的差异，自动应用0、0.5或1分。这些文本包括哪些营养素达到了目标的反馈，以及对于那些次优营养素的改善营养摄入的提示(例如，“你在减少饱和脂肪和提高纤维摄入量方面做得最好，但似乎很难获得足够的钾和镁”)。

反馈还包括关于整体DASH分数变化的激励信息，并促使参与者反思哪些饮食选择对他们的DASH分数影响最大。每个周日下午，我们还会单独发送一条与DASH有关的不同主题的短信(例如，“在DASH上吃饭”，带有动画教育视频链接)。总的来说，这些短信旨在通过提供行为提示来鼓励饮食改变，并为有高血压和心血管疾病风险的女性提供社会支持，从而起到激励作用。我们的目标是为女性量身定制干预内容，特别是提高对女性心血管疾病风险的了解。参与者不需要回复，如果参与者确实回复了，则会自动发送回复，表明他们可以通过电子邮件向我们的工作人员寻求支持。

‎ 查看此图

主动比较臂

主动比较组的参与者被要求使用Nutritionix应用程序跟踪他们的日常饮食，并向他们展示了一段介绍DASH饮食模式的视频。他们被要求尽量遵守DASH指南。然而，与干预组不同的是，他们没有收到任何短信，其中包括量身定制的反馈和技能培训视频。积极的比较参与者收到了NHLBI提供的与DASH饮食信息相同的公开小册子。

措施

基线社会人口学和社会心理变量

为了描述参与者的特征，我们测量了各种社会人口学和社会心理变量。社会人口学指标在基线时使用以前研究中使用的标准调查问题收集。这包括年龄、种族、民族、受教育程度、婚姻状况、就业状况、保险状况以及家庭中孩子的数量。抑郁症评估采用患者健康问卷中经过验证的8项调查[24］．评分范围从0到24，>到10表示抑郁。

人体测量学

研究人员收集了每位参与者的体重和身高，并计算了他们的BMI。高度测量两次，并使用安装在墙上的高度棒(Portrod;生命值计)。体重测量两次，用秤记录至0.1 kg (scale - tronix 5005;韦尔奇阿林)。

参与饮食跟踪

敬业度作为有效的一天跟踪，通过观察总热量摄入来确定。数据缺失的一天或每日热量水平<600卡路里被认为是没有完整跟踪数据的一天，被标记为无效[25］．我们评估了每周跟踪的平均天数，并计算了每周至少跟踪5天的参与者比例。

坚持DASH饮食

为了评估DASH依从性的变化，使用国家癌症研究所的自动自我管理24小时(ASA24)回忆工具测量饮食摄入量。ASA24是一种自动化工具，它使用美国农业部经过验证的多通道方法来获取特定一天的摄入量[26］．研究人员通过电子邮件要求参与者在两周内完成1个周末和1个工作日的饮食摄入。ASA24提供了前24小时内所消耗的所有食品和饮料的全面营养数据。这些数据被用来计算由Mellen和同事开发的基于营养的DASH指数得分[15]，如上文所述。营养目标可以在“DASH坚持的变化”部分找到，并按照总卡路里摄入量进行了标准化。将个体营养得分相加，计算出DASH的总坚持得分。因此，得分范围为0至9，得分越高表明依从性越强，得分9表示完全遵守DASH饮食模式。

血压

参与者证实，他们在测量血压前30分钟没有喝咖啡或吸烟。我们规范了使用右臂的程序，除非参与者表示有医学禁忌，我们测量了臂围以确定血压袖带的大小。休息5分钟后，测量血压3次，每次测量间隔30秒，使用血压监测仪(HEM-907XL;欧姆龙医疗)。使用平均血压测量，我们根据参与者高血压的严重程度对他们进行分类。3.］．

干预的满意度

在3个月时，采用我们以前研究的调查，我们评估了两个研究组中Nutritionix应用程序的易用性和有用性，以及仅在干预组中对DASH云干预的总体满意度。我们采用李克特5分制，从完全不同意到完全同意，询问参与者对干预的所有要素的看法，包括Nutritionix应用程序的易用性和实用性，反馈中的DASH评分，文本的个性化，文本的时间，以及个人是否会向其他人推荐这个项目。“干预活动满意度”部分描述了我们仅向干预组询问的干预满意度问题以及同意回答的比例。

分析

对于描述性分析，正态分布变量被总结并报告为均值和标准差。敬业度采用双尾分析t测试以比较研究过程中的总体平均投入。使用带有非结构化协方差的随机截距混合模型分析用户粘性随时间的变化趋势。该模型包括一个连续变量(以周为单位)、一个治疗组变量和一个时间组交互项。为了评估DASH依从性评分的变化，我们进行了一项初步分析，将无效基线和3个月的数据视为缺失。使用标准方案获取有效膳食摄入量[23]，我们将无效评估定义为平均每日卡路里摄入量<600或>3500卡路里，或不包括1个周末和1个工作日至少2次召回，或包括间隔2周以上收集的召回。为了检查治疗组在一段时间内对DASH依从性的影响，控制DASH依从性的基线水平，我们采用线性回归模型评估3个月DASH评分和DASH成分值，并将基线DASH依从性作为协变量。使用重复测量方差分析方法估计DASH评分和成分的组内变化。敏感性分析模型使用相同的方法进行，同时包括以前在每个方案模型中被排除为无效的测量。各组间3个月收缩压和舒张压的差异也采用线性回归模型进行评估，并对基线值进行调整。DASH和血压模型中缺失的3个月值使用意图治疗原则和最大似然估计来解决。分析使用SAS 9.4 (SAS Institute)软件进行P带有α <的值。05例被认为有统计学意义。

结果

招聘和留用率

招聘时间为2017年7月21日至2017年11月5日。试验报告综合标准(CONSORT)图表(图2)显示招聘及留用学生的学习流程;422人在DASH云网站上填写了筛查，其中363人不符合资格，拒绝参与，或没有完成基线活动。不合格的主要原因是不符合血压标准。在其余符合条件的参与者中，59人随机接受DASH Cloud干预(n=30)或活动比较器组(n=29)。在研究结束时，90%(28/30干预组，25/29对照组)的参与者参加了最后3个月的随访。ASA24调查是在3个月的亲自访问之外收集的，并且有不同的保留率。在59名受试者中，53人(90%;29/30干预，24/29对照)在基线时完成了每个方案的ASA24, 46 (78%;25/30干预，21/29对照)3个月完成;43 (73%; 24/30 intervention, 19/29 control) completed it per protocol at both time points. All participants completed at least 1 ASA24 at baseline, and 55 of the 59 (93%) participants completed at least 1 diet recall at 3 months.

‎ 查看此图

基线特征

如图所示表1，参与者(N=59)均为女性，平均年龄49.9岁(标准差11.9岁)，平均BMI为33.9 kg/m(标准差7.6岁)²（表1)．大多数参与者是非西班牙裔白人(41/ 59,69%)，有保险(57/ 59,97%)，受过大学教育(49/ 59,83%)，有工作(42/ 59,71%)，已婚(36/ 59,61%)。基线时，平均收缩压为122.9 (SD 14.2) mmHg，平均舒张压为80.2 (SD 8.8) mmHg。根据美国心脏协会和美国心脏病学会的最新血压指南，大多数参与者(41/ 59,69%)被归类为血压升高，其定义为任何收缩压测量超过120 mmHg或舒张压测量超过80 mmHg。这些更新的指南降低了血压升高的门槛，生活方式治疗，如DASH，是符合这些标准的患者的一线治疗。各组的基线特征无差异。

参与饮食跟踪

图3显示各研究组每周跟踪的实际和预测天数。与干预组相比，主动比较组每周追踪的平均天数总体略高，但不具有统计学意义(平均4.6,SD 2.7天vs 4.2, SD 2.1天;P= 54)。同样，与干预参与者相比，积极比较参与者平均每周跟踪5天或以上的比例更高(18/29,63% vs 14/30, 47%;P= .24)。然而，随着时间的推移，干预参与者的饮食跟踪参与率急剧下降，每周下降0.23天(95% CI 0.16-0.29) (P<.001)，比主动比较组每月快一天左右。

‎ 查看此图

全臂DASH依从性变化

如图所示表2，基线时平均DASH评分为2.2 (SD 1.3)，不同研究组间无显著差异(干预组为2.2,SD 1.3 vs主动比较组为2.4,SD 1.3;P= .85)。在我们调整DASH基线评分后，干预组参与者的DASH评分在3个月时比主动比较组低0.01分(95% CI -0.7至0.7)(P= .97点)。两组患者在3个月时DASH评分均显著增加(干预平均变化:0.8,95% CI 0.2-1.5;P= .02点;主动比较器平均变化:0.8,95% CI 0.4-1.2;P<措施)。在调整组间差异基线后，在DASH评分内的任何营养成分组间均未观察到显著差异。在3个月内，两组人的纤维摄入量都有显著或轻微的增加。两组人的饱和脂肪都有显著减少。在干预组中，镁的摄入量显著增加，总脂肪摄入量显著减少。在积极比较组中，总脂肪消耗显著减少，钙摄入量增加。

包括ASA24数据的敏感性分析得出的结果与使用有效数据的每个协议模型大体一致。所有59名参与者的数据都包括在内，93%(55/59)的参与者为这些模型贡献了3个月的数据。

手臂上的血压变化

在调整基线后，干预组参与者的收缩压在3个月时平均比主动比较组低2.8 (95% CI -1.8至7.4)mmHg，但不显著(P= 23)。经基线调整后，干预组参与者的3个月平均舒张压较主动比较组平均降低3.6 mmHg (95% CI -0.2至7.3)，但不显著(P= . 07)。

DASH依从性变化与血压变化之间的关系

总体而言，DASH评分的变化与血压的变化呈负相关。DASH评分每提高1个单位，收缩压降低2.5 mmHg (95% CI 0.5 ~ 4.5)。r= -0.34;P舒张压降低1.6 mmHg (95% CI 0.05 ~ 3.3) (r= -0.27;P= . 05)。观察到的组间相关性是一致的(P=点)。平均而言，干预组的收缩压降低了2.7 mmHg (95% CI 0.4 ~ 5.0) (r= -0.44;P=.03)和1.3 (95% CI -1.0至3.6)mmHg的舒张压(r= -0.23;P=.26)为DASH分数在3个月内的每个单元的改进。主动比较组的相关性稍弱，收缩压降低1.7 (95% CI -2.1至5.4)mmHg (r= -0.20;P舒张压降低1.8 (95% CI -0.8 ~ 4.4) mmHg (r= -0.29;P= 0.16)每单位DASH分数的提高。

干预活动满意度

在所有研究组中，82%(24/29)的干预参与者表示同意或强烈同意Nutritionix应用程序易于使用。一半的参与者(14/29,50%)表示他们会频繁使用该应用程序，只有15%(4/29)表示该应用程序使用起来很麻烦。在干预组中，大多数干预参与者(23/ 29,79%)表示，他们会向朋友或家人推荐DASH云干预(表3)．许多参与者(23/ 29,79%)认为短信是在方便的时间发送的，许多参与者(22/ 29,76%)更喜欢在一致的时间接收短信。大多数(23/ 29,79%)参与者认为DASH饮食模式提示很容易理解。值得注意的是，只有大约一半(16/ 29,55%)的参与者认为反馈和DASH分数是有帮助的;45%(13/29)的人认为DASH分数具有激励作用，41%(12/29)的人表示DASH分数反映了他们的饮食模式。此外，76%(22/29)的人认为DASH得分为10(反映完全坚持)很难达到。大约三分之一(10/29,34%)的人报告说，短信帮助他们实现了饮食目标，只有28%(8/29)的人认为短信是个性化的。

讨论

主要研究结果

采用DASH饮食模式可以帮助1亿血压次优的美国人降低血压[3.］．这项研究旨在开发和测试使用数字健康工具的可行性，该工具利用智能手机饮食跟踪应用程序来提高DASH的人口水平。我们发现，在我们的干预平台中使用市售的饮食跟踪应用程序并添加旨在提高DASH依从性的行为干预是可行的。我们成功地招募和留住了患有高血压的女性，并在两个研究组中实现了中等至高的饮食跟踪率。同样，两个研究组在3个月时都发现DASH依从性略有增加。然而，我们发现，与单独的饮食跟踪相比，在饮食跟踪应用程序中添加数字行为DASH干预并不能增加DASH的依从性。

这些发现值得注意的原因有很多。首先，它们表明，即使应用程序条目没有提供反馈，参与者也可以实现并保持对饮食跟踪应用程序的中度到高度参与度，并且这些应用程序可以用于提高他们的行为效能。在没有添加行为干预成分的情况下检查饮食跟踪参与的研究表明，跟踪率低于我们在这项研究中发现的平均每周4天。Laing和同事的一项研究[27)，使用流行应用My Fitness Pal跟踪饮食的比例在第一个月后显著下降。Patel和同事们[28]发现，在第一个月后，饮食记录也出现了类似的急剧下降。这可能是因为我们对DASH的关注，而不是对健身或体重控制的关注，激励了所有参与者，不管他们是否收到反馈，都更频繁地参与进来。

其次，这些发现也表明，在提高参与度和整体饮食质量方面，任何反馈并不总是比没有反馈好，但我们没有能力从统计上评估这些差异。行为改变理论和相关的实证研究支持，给予反馈，特别是量身定制的反馈，可以提高敬业度和随后的行为改变[29，30.］．然而，反馈的结构、个性化程度和反馈的相关性都很重要。考虑到研究设计，我们无法确定为什么干预组因为反馈而更少地跟踪他们的饮食;对干预满意度问卷的回答给了我们一些启示。最值得注意的是，不到一半的参与者认为反馈中使用的DASH分数激励并反映了他们的饮食。这一发现并不排除使用“总结型”评分反馈来改善饮食摄入量;相反，这表明我们需要重新考虑如何使它对个人更有帮助和可解释性。此外，就像在任何技术中一样，我们在编码时遇到了与反馈算法中概述的逻辑不一致的错误或问题。我们的目标是在干预执行之前和执行期间测试这些错误。然而，bug的存在可能会影响干预参与度和反馈信息的有用性。 We did not measure this in the study, so we are not able to quantitatively or qualitatively indicate how often this occurred or how much impact any bugs had on outcomes. Future studies should aim to consider measuring the impact of these bugs on outcomes.

此外，许多与会者表示，完全遵守DASH是困难的。鉴于这种看法，DASH评分可能没有提供积极的强化来支持饮食行为的改变。我们不知道有其他研究给出了关于营养物质改善饮食质量的反馈，我们决定将营养物质摄入量作为反馈的一部分，因为它与DASH依从性和随后对血压的益处有明确的联系。参与者可能更喜欢使用食物组或其他一些依从性测量来反馈依从性。总的来说，如果在干预后进行正式的定性研究，可以更好地了解两组在参与结果方面的差异，并确定我们如何提高干预的满意度和易用性以及帮助性的感知，这将是有帮助的。未来测试数字卫生干预措施(如DASH云)可行性的研究应考虑如何最好地理解将提高持续参与的因素。我们没有包括教练或任何人力支持，可能要改变饮食行为，除了仅通过技术提供的支持外，还需要额外的支持。

第三，这些发现表明，我们可能需要重新考虑如何最好地提供个性化反馈，以提高整体DASH依从性。只有28%(8/29)的参与者表示，他们认为文本是个性化的，尽管使用了一种旨在个性化有关特定DASH营养素摄入量的信息的算法。我们对个性化反馈的最有效公式的理解是混合的，但许多研究支持个性化干预和反馈可以提高参与度[29，30.］．我们建议，个性化还应反映个人情况(例如，包括针对个人家庭结构的反馈提示)、态度和信念(例如，改变行为的自我效能感)，以及这些特征如何影响个人的饮食行为。未来的研究应该致力于在个性化反馈时测试这些不同的方法。尽管DASH评分的使用和文本的个性化评分很低，79%(23/29)的参与者表示他们会推荐这个项目。这表明，使用饮食跟踪应用程序来促进DASH的整体概念是有吸引力的。

该项目的总体评分高是很重要的，因为在人口层面提高DASH的采用程度是非常必要的。Mellen和同事们[15]使用人口水平的数据来评估DASH纳入国家膳食指南前后的依从性。他们发现只有不到1%的人完全坚持DASH，只有20%的人达到了DASH建议的一半[15］．在随后的横断面人群队列研究中，DASH依从性仍然很差[9］．正如目前的研究所支持的那样，完全遵守DASH可能很难实现。事实上，测试强化行为干预以促进DASH的试验也难以帮助个人完全坚持。31，32］．首要审判[33，34是一个全面的、多成分的行为干预，以提高DASH的采用。PREMIER干预包括标准的行为改变成分，通过与注册营养师进行频繁的面对面咨询和小组会议来实现[33，34］．这种高强度的方法有效地改善了DASH的依从性，但没有完全采用DASH [32］．这种干预还包括其他行为成分，包括减少钠摄入量、增加体育活动和减肥。虽然是全面的，但在特定时间集中于多种行为可能会使完全采用DASH的所有建议变得更加困难。类似地，ENCORE(心血管健康运动和营养干预)试验测试了采用DASH的综合行为方法，评估了DASH与DASH加体重管理行为对血压变化的比较疗效[35］．他们发现，两组的DASH依从性得分都翻了一番，但干预后的平均得分仍然不理想[31］．值得注意的是，ENCORE试验发现DASH依从性与血压变化之间存在线性关系。完全坚持DASH可能是最佳的，但部分坚持DASH可以有效降低血压[31］．

在PREMIER和ENCORE中测试的强化干预方法在将DASH的采用提高到具有临床意义的水平方面是有效的，但这些方法不能用于更广泛的人群。据我们所知，这是首批测试使用移动技术和智能手机应用程序传播和改善DASH采用的可行性的研究之一。Mann和同事们[36开发了一种类似的干预措施，名为“移动DASH”，包括轻松跟踪DASH食物的份量;集成蓝牙血压、体重、计步器监测;设定目标;简单的数据可视化;以及多媒体视频剪辑，培训患者生活方式改变计划的基本概念。这种干预与目前的研究有一些显著的区别。首先，干预不仅仅包括饮食跟踪、短信反馈和视频。它包括其他要跟踪的行为目标和行为，以及使用教练来支持行为改变的努力。其次，研究团队开发了这款应用，而不是使用市面上可用的应用。因此，它经过了原型测试，研究人员不得不考虑许多商用应用已经考虑过的用户设计元素。 Mann and colleagues [36]讨论在开发DASH移动平台过程中获得的经验教训，这些经验教训对其他寻求开发数字健康项目以增加DASH采用的人很重要。我们的研究结果增加了这一证据基础，但表明低强度的方法只能略微改善DASH的采用。为了真正扩大以证据为基础的行为干预措施的影响范围，以传播DASH，我们需要继续测试复制在PREMIER和ENCORE中所做的工作的方法，同时保持我们在DASH云中所追求的传播潜力。

优势与局限

本研究的优势包括有意选择在干预平台中使用商业应用程序。这一选择为未来的研究提供了更大的灵活性，并增加了该平台适用于其他技术或结果的潜力。例如，如果开发了一种新技术，使用不同的工具来跟踪饮食(例如，语音辅助跟踪)，那么这种干预可以很容易地用这种新技术实现。这种设计选择增加了传播的潜力。随机对照设计的使用使我们能够分离反馈的可行性，并理清跟踪的影响。我们的研究结果提供了很好的见解，说明反馈并不总是提高饮食跟踪的参与度。此外，我们取得了很高的招聘和留用率，这证明了这种方法的可行性。

尽管有这些优点，但也有一些局限性值得注意。这是一项样本量小的可行性试验，因此很难解释这项研究的结果，因为它没有证明对DASH依从性、参与度或血压变化的影响。主要重点是评估开发DASH云平台的可行性，方法是检查招募率和保留率以及干预活动的参与情况，然后探索干预对DASH饮食依从性和血压变化的影响。因此，我们没有进行任何功率分析。这与Leon等人的指导方针是一致的[21]，规定在测试可行性时不需要进行功率分析。我们也没有将我们的研究样本限制为高血压患者或未服用高血压药物的参与者。考虑到可行性，这是有目的的。然而，这可能减弱了对血压变化的任何差异影响。饮食研究的一个常见局限性是所收集数据的准确性受到潜在的回忆和反应偏差的影响[25，26］．由于参与者知道他们的饮食数据将被收集，这可能导致他们高估或低估了饮食摄入量。同样，由于我们使用基于热量摄入的有效跟踪日来操作参与，因此可能存在对参与者的无差异错误分类。参与者可能只记录了一顿饭或一种食物就达到了这个阈值。此外，这项研究的结果不能推广到研究人群之外，其中主要包括非西班牙裔白人，受过教育的女性。只招募女性的重点是更好地了解如何使用生活方式方法来管理血压，以降低女性不成比例的心血管风险。

结论及未来发展方向

我们开发了一个数字程序DASH Cloud，它利用了数百万美国人正在使用的商用饮食跟踪应用程序。在目前的可行性研究中，我们发现适度到高度参与饮食跟踪，这是成功行为改变的重要预测因素。然而，这项研究也为使用这些饮食跟踪应用程序的参与者提供反馈的方式和类型提供了见解。我们需要更好地了解如何提供个性化和相关的反馈，以提高DASH的使用率。为了真正影响人口健康，我们不仅需要不断思考什么能最好地促进采用健康饮食，还需要不断思考如何最好地传播和扩大循证治疗，如DASH饮食模式。