再访损耗:一项基于网络的酒精试验中的依从性和保留性

介绍

背景

在2005年发表的一篇里程碑式的论文中，Eysenbach [1]主张在电子卫生研究领域建立“损耗科学”，指出损耗是许多电子卫生研究中的一个重要问题，并呼吁研究人员报告和探索电子卫生研究中的损耗。他描述了两种形式的损耗:非使用损耗和退出损耗。非使用损耗，也称为低依从性，描述了研究参与者不使用或不继续使用电子健康干预的现象。在研究条件下，不使用会导致低估干预措施的潜在功效，特别是当干预措施被设计为在一段时间内反复使用以达到最大效果时。退出流失，也称为随访损失或低保留率，是指研究参与者没有完成随访措施。随访的高损失降低了研究的力量，当极端时，使研究结果难以解释，因为没有办法知道干预对那些没有提供随访数据的人有什么影响。

为了找出响应Eysenbach号召的论文，我们在PubMed上搜索了2005年至2011年底之间发表的论文，其中包括两种形式的流失。搜索策略结合了基于网络的干预与流失(非使用流失/坚持或退出流失/保留)的概念。在2581次独特引用中，有60多篇论文报道了相关信息，其中包括5篇系统综述[2-6]， 18项试验确定了特定干预措施对依从性或保留性的影响，3项定性研究探讨了参与者依从性的原因，19项研究报告了试验或队列研究数据的二次分析，还有一些研究使用了一系列其他方法。大多数(n=45)关注与干预依从性相关的因素，而11人关注试验保留，4人关注依从性与保留之间的关系。

坚持干预(非使用性损耗)

对任何特定干预措施的坚持可能与干预措施的特征、使用者的特征或干预措施所解决的条件的特征有关。可能提高干预依从性的干预措施的特征包括强大的理论基础[7]，感知到的与用户的个人关联[8，9]，感知效能[10，11]，裁剪[12，13]，说服性技术[3.]，信誉[14，15]、社交网络[16，17]，以及包括人类支持在内的常规推动因素[18-20.]及/或定期电邮或电话提示[6]。在依从性和使用者特征方面存在相互矛盾的证据。尽管许多研究人员发现，女性、老年人和受过良好教育的人比男性、年轻人和受教育程度较低的人更有可能坚持网络干预[8，9，11，12]，其他人则发现服药与年龄、性别或教育程度没有关联[21]。正如梅尔维尔等人所说[4在他们的文献综述中，探讨了与坚持使用网络治疗心理障碍相关的变量:“尽管探索了许多变量，但任何可能使个体更有可能退出网络治疗的特定变量的证据目前都是有限的。”我们无法确定比较不同健康状况或健康行为对类似干预措施的依从性的数据。

学习保留(辍学损耗)

在电子卫生文献中，提高对研究的保留比提高对干预措施的依从性受到的关注要少。对于在线问卷来说，问卷的外观、顺序、相关性、长度和来源似乎都很重要[22-24]。激励措施可能会提高回复率，但在产生影响之前可能需要有相当大的价值[25]。就问卷提供意见可提高回应率[26]。也有一些研究描述了更有可能退出研究的参与者的特征，报告说，白人、年龄较大、受教育程度较高、拥有良好互联网技能的人的回复率更高[27-31]。Bull等[32在提高在线性健康促进试验的保留率方面取得了相当大的成功。在经历了早期的困难之后，在随访中只有15%的保留率[32]，他们修改了他们的方法，并通过自动化电子和个性化方法的结合来增加和多样化招聘，验证参与者资格并提高保留率，在1个月后实现了79%的随访率[33]。尽管电子健康研究人员对研究保留的关注少于对干预依从性的关注，但一般的方法学文献中有大量关于提高保留的信息，其中大部分适用于在线研究和离线研究[34-37]。

粘附与保留的关系

在Eysenbach最初的论文中，他假设这两种形式的损耗是通过一种单一的潜在机制——失去兴趣——相互关联的，并呼吁进行实证研究来验证这一假设[1]。

在对2009年之前发表的论文的系统回顾和荟萃分析中，Cugelman等[3.]旨在探讨3个结果:(1)在线干预对自愿行为的总体效应大小，(2)旨在影响行为的各种干预成分的影响，以及(3)干预剂量(暴露)、干预效果和研究保留之间的关系。31篇论文被纳入综述。作者得出结论，尽管存在相互矛盾的相关性，但证据表明，坚持干预与行为改变呈正相关。只有5项(未指定)研究可用于评估干预依从性与学习保留之间的关系，但本分析确实显示两者之间存在显著的正相关[3.]。随后，Couper等[13在一项促进水果和蔬菜消费的在线干预替代版本的随机对照试验中，研究表明，参与与完成后续数据显著相关。

综上所述，尽管许多研究人员已经为损耗科学提供了数据，但仍有许多未解决的问题:

1. 坚持和保留是否相关?如果有，如何有，在什么情况下有?
2. 坚持和保留是否有相似的预测因子?这些预测因子能否充分解释依从性和保留之间的关系，或者是否存在其他未测量的预测因子影响这种关系?
3. 如果有额外的未测量的预测因素影响关系，是否有数据支持Eysenbach的假设，即这些因素与总体兴趣水平有关?

本文通过对一项基于互联网的在线干预试验的二次分析来解决这些问题，该试验旨在帮助酗酒者减少饮酒量。

方法

伦理批准

获得伦敦大学学院伦理委员会的伦理批准。

研究程序及参与者

本文报告的数据来自于“喝下你的饮料”(Down Your Drink, DYD)随机对照试验(DYD- rct;ISRCTN: 31070347)，一项帮助危险或有害饮酒者减少饮酒量的在线干预试验[38]。研究参与者是浏览过网页并找到DYD主页的成年人，该网站邀请他们通过完成一项简短的三项筛选测试，即酒精使用障碍识别测试(审计- c)的消费问题，来“发现你是否饮酒过量”。39]。那些得分表明他们饮酒危险或有害水平的人被邀请参加试验(AUDIT-C得分≥5)[40]。潜在的参与者被告知，该试验比较了两个网站，看看哪个更有效地帮助用户减少酒精消费。为了确保参与者意识到他们正在参与一项研究，知情同意程序要求用户依次浏览11页，提供在线同意，创建用户名和密码，并通过电子邮件验证阶段。在他们的电子邮件被验证后，用户必须完成基线数据调查问卷，包括人口统计数据，过去一周的酒精消费记录(TOT-AL) [41]，一个包含5个项目的健康相关生活质量测量(EQ-5D) [42]， 4个随机分配的次要结局指标中有1个。只有在所有基线数据完成后，参与者才被随机分配到干预组或对照组。参与者被自动路由到他们被分配到的网站，所以所有参与者都至少访问了一次他们被分配到的网站。

干预和比较

干预网站是一个理论上知情的网站，具有多种互动功能。它包含3个阶段。第一阶段(“由你决定”)使用动机性访谈的原则，让用户对是否改变他们的饮酒习惯做出深思熟虑的决定。第二阶段(“做出改变”)使用认知行为疗法技术来帮助使用者减少饮酒量，而第三阶段(“保持正轨”)侧重于预防复发，这是一种进一步的认知行为方法。交互式电子工具，如饮酒日记，为用户提供了反思酒精在他们生活中扮演的角色并考虑替代方案的机会[43]。用户可以自由地以任何方式使用干预网站，但开发人员希望用户能够反复登录以使用该程序的所有元素。比较网站在颜色、图形和色调方面具有相似的外观和感觉。它提供了关于过量饮酒危害的简单信息，并没有针对如何减少饮酒给出量身定制的建议。它没有互动工具，也没有饮酒日记。

后续

主要终点为随机分组后3个月。随访时收集的数据包括过去一周的饮酒量(主要结果)、EQ-5D和基线时完成的相同次要结果测量。数据是在线收集的，参与者可以通过电子邮件请求获得后续数据。这封电子邮件包含一个内嵌的热链接，可以直接跳转到问卷。每隔7天向无反应者发送最多3个提醒，最后一个提醒只要求参与者告诉我们他们过去一周的总饮酒量。这个后续方案是在我们的试点研究的基础上选择的，探索了优化留存率的不同方法[40]。

流失和留存的衡量标准

为了本文的目的，两个感兴趣的结果是干预的依从性和试验中的保留。根据登录网站的次数，对干预的依从性分为三组:只登录一次的用户，登录两次的用户，以及登录三次或三次以上的用户。这种分类是基于经验的，因为内容是高度以人为中心的，所以没有推荐的使用模式。保留率被视为二元变量:参与者在3个月时提供或不提供随访数据。

自变量为基线时收集的数据。人口统计变量包括年龄、性别、教育状况(分类为有大学学位vs没有大学学位)、婚姻状况(分类为已婚/与伴侣同居vs单身)、有孩子(分类为1个或多个vs没有)、种族(英国白人或其他)、居住国(英国vs世界其他国家)以及提供线下联系方式(提供地址或电话号码vs不提供任何线下详细信息)。临床变量为过去一周的单位酒精消耗量(1单位相当于8克乙醇)、EQ-5D评分，以及信心和意图的2项单项测量得分，均为1至5分，其中5分表示信心或意图的最高水平。对于这些项目，参与者被问到:“你对自己减少饮酒的能力有多大信心?”以及“你认为自己在未来3个月内减少饮酒量的决心有多强烈?”EQ-5D得分是按照标准程序从5项问卷中获得的[44]。

统计方法

通过使用逻辑回归模型对依从性和保留性的预测因子进行建模，结果显示用户(1)登录两次或两次以上，(2)登录3次或以上，以及(3)在3个月后做出反应。为了探索依从性和保留之间的关系，模型3中包含了恰好2次登录和3次或更多登录的虚拟变量。

为了为所有调整分析选择一组自变量，我们首先使用前面列出的所有人口统计学和临床基线变量作为自变量拟合模型1至3。过去一周的酒精消耗量在增加1单位/周后进行对数转换。对于每个自变量，我们找到最小的P模型1到3的值，我们去掉了这个最小值的最大值的自变量P价值。为了关注更强的预测因子，我们重复这个过程，直到每个自变量在P<。三种型号中至少有一种是01。TOT-AL和性别之间的相互作用被考虑在内，以允许女性通常较低的饮酒量。采用Hosmer-Lemeshow检验评估拟合优度[45]。为了便于比较不同自变量的影响，定量自变量的回归系数以每1个标准差变化表示。1名基线时种族缺失的个体和2名基线时TOT-AL缺失的个体从本分析中省略。

结果

参与者

有7932名参与者的数据。人口统计学和酒精相关的基线特征见表1。他们的平均年龄为38岁，一半以上是女性，一半以上拥有大学学位。参与者饮酒严重，过去一周的平均饮酒量为57个单位/周。大多数参与者打算减少饮酒量，在1到5的范围内平均得分为3.8;然而，他们对自己减少消费的能力缺乏信心(平均得分2.8)。

3个月的坚持和保持

在7932名参与者中，5165名(65%)只登录了一次，1538名(19%)登录了两次，1229名(16%)登录了3次或更多次。表2）.干预组的参与者比对照组的参与者更有可能登录不止一次(42%对28%)，P<措施)。这些依从率远低于干预组的预期，相对较少的用户重复访问。

留存率也因手臂而异。3个月的总缓解率为45%(3528/7932)。干预组的参与者比对照组的参与者更不可能做出反应(40%对49%，P<措施)。

这些数据似乎与Eysenbach关于依从性和保留性的共同因素的假设相冲突，因为干预组的参与者比对照组的参与者更有可能登录干预，更不可能对随访做出反应。然而，在每组中，数据都支持艾森巴赫假设，登录频率更高的参与者更有可能在3个月时做出反应。表2）.登录2次和≥3次的患者在3个月时反应率的总体差异小于随机分组的差异，因为随机分组混淆了这种关联。多变量分析证实，坚持和保持是正相关的，经常登录的参与者在3个月时更有可能做出反应(表2）.

这些数据表明，我们的第一个研究问题(坚持和保留是否相关?)的答案是肯定的。在这个数据集中，坚持和保留是相关的，但这种关系并不直接。总的来说，登录更频繁的参与者更有可能在3个月时做出回应，但那些在干预组的参与者更有可能登录不止一次，而且比对照组的参与者更不可能做出回应。

损耗和留存的决定因素

我们的第二个研究问题是“坚持和保留是否有相似的决定因素?”这些决定因素能否充分解释依从性和保留率之间的关系，或者是否有其他未测量的决定因素影响这种关系?”

为了解决这个问题，我们首先探索了依从性和保留性的基线预测因素(表3）.在变量选择过程中，有两个变量被删除:婚姻状况(与孩子相关)和居住国(与种族相关)。3个拟合模型均具有足够的拟合优度P值> . 05)。

如果发现人口统计学特征可以预测依从性，那么它们往往也可以预测保留率，反之亦然，尽管这种关系并不总是达到统计学意义。因此，年龄较大、女性、拥有大学学位和没有孩子的人更有可能更频繁地登录网站，并在3个月后提供随访数据。表3）.

相比之下，与酒精有关的特征，包括过去一周的消费量、减少消费量的意图、对减少消费量的能力的信心水平，以及坚持或保留之间的关系呈相反方向(表3）.重度饮酒者，那些更倾向于减少饮酒的人，以及那些对自己这样做的能力不太自信的人，更有可能更频繁地登录，而在3个月后回应的可能性更低。饮酒量和性别之间存在相互作用，例如，对于女性来说，在基线时较重的饮酒量更有可能登录2次或更多次，但反应的可能性降低，但这种关系在男性中没有发现。

表3对依从性和保留率影响最大的因素是干预或控制的分配。

这些数据表明，我们的第二个研究问题的答案是，尽管依从性的决定因素和保留率的预测因素之间存在一些相似性，但依从性和保留率之间的关系不能完全由基线测量的预测因素来解释，这表明还有其他未测量的混杂因素影响这种关系。

我们的第三个研究问题是数据是否支持Eysenbach的假设，即参与者的整体兴趣水平是导致依从性和保留性之间关系的因素。如前所述，与这个问题有关的数据有些矛盾，在试验的每个组中，坚持和保持呈正相关，但在各个组中却不是，因为干预组的参与者比对照组的参与者更有可能坚持，但更不可能做出反应。

讨论

主要发现

与对照组相比，干预组的参与者在3个月时更有可能使用干预措施，而不太可能对随访数据的请求做出回应。这种关系很可能是因果关系，因为这些数据是在随机对照试验中获得的，其中组间唯一的差异是分配的干预措施。因此，我们可以得出结论，分配给干预而不是控制导致了较低的随访水平。

在每个试验组中，登录次数越多，在3个月时提供随访数据的可能性越大。正如预期的那样，人口变量、依从性和留存率之间的关系趋向于相同的方向，即与更强的依从性相关的因素也与更强的留存率相关。然而，与酒精消费有关的变量(过去一周的酒精消费，减少消费的意图，以及对减少消费能力的信心)倾向于影响坚持和保持相反的方向。更有可能从干预中受益的参与者(重度饮酒者、更有戒酒意愿的饮酒者和对自己戒酒能力缺乏信心的人)更多地使用干预和控制网站(更高的依从性)，但不太可能提供后续数据。

这些数据为提出的三个研究问题中的两个提供了一些答案。在本研究中，依从性和保留率是相关的。尽管依从性的预测因子和保留率的预测因子之间存在一些相似性，但依从性和保留率之间的关系不能完全由基线时测量的预测因子来解释，这表明存在其他未测量的混杂因素影响这种关系。

潜在的解释模型

我们的第三个研究问题是，是否有任何其他影响这种关系的因素与Eysenbach假设的总体兴趣水平有关。我们的数据不能直接解决这个问题，但一个可能的解释模型在图1。该模型假定，对主动干预或比较干预的分配与依从性和保留性都有因果关系。与对照组相比，积极干预组增加了对干预的依从性，并减少了试验保留。我们可以推测，这可能至少反映了干预组中的一些人认为网站是有帮助的，因此，继续使用它，直到他们觉得他们已经接受了足够的“剂量”的干预。有些参与者报告无法区分“干预内容”和“试验内容”[46]。因此，当收到随访数据的请求时，干预组的一些参与者更有可能认为他们已经获得了足够的剂量，更有可能忽略随访数据的请求，尽管在试验中没有证据表明他们的行为改变比对照组的参与者更多。相比之下，分配到控制组的一些人可能没有意识到它是有用的，因为它的设计不是有效的，因此，继续有未满足的需求。要求提供后续数据可能被视为一个监测和反思他们饮酒情况的机会——对照组的人欢迎这个机会，而且更有可能完成结果测量。

数据还表明，影响坚持的用户特征以不同的方式起作用。我们假设人口因素是一种无法测量的或潜在的变量，我们可以将其描述为“服从倾向”。依从倾向较高的参与者更有可能更频繁地使用干预措施，并对后续数据的请求做出回应。服从的倾向可能会压倒被分配到干预部门对保留的影响。相比之下，与酒精有关的因素，包括过去一周的酒精消费量、减少消费量的意图以及对自己减少消费量能力的信心，增加了干预措施的使用并减少了滞留。

当然，对这些数据还有其他可能的解释。另一种解释是，被分配到积极干预组的参与者对他们对干预的期望和他们使用干预的经验之间的差距感到更加沮丧。活跃的网站承诺提供一整套工具来帮助用户做出决定，然后采取行动，但低登录数量显然表明大多数用户没有按计划使用它。这种失望可能降低了与研究人员接触的意愿，导致留存率降低。相比之下，控制网站只提供直接的信息，因此，产生较少的失望，导致与研究人员更开放的联系，特别是在没有满足需求的情况下，如不成功的行为改变尝试。

与以往文献的关系

我们的数据建立在该领域现有文献的基础上，可能有助于解释之前看到的一些相互矛盾的结果。以前的论文一直在寻找人口统计因素(如年龄、性别或教育程度)与依从性或保留性之间的简单关系。我们的研究结果表明，需要一个更复杂的模型来考虑其他因素。也有可能这些关系会根据所研究的人群和行为或条件而有所不同。

方法论的优势和劣势

这些数据有很多优点。这些数据来源于一项大型在线随机对照试验，该试验采用自动随机化，确保完全隐藏分配情况，并采用自动数据收集程序，确保获得的所有数据都具有足够的分析质量。近8000名参与者的大样本量允许进行高效的多变量分析。主要的缺点与这是一个次要的分析有关。最初的试验并不是为了解决本文中提出的研究问题而设计的。我们没有对依从性的先验定义，而是使用登录次数作为最简单的依从性衡量标准，因为之前的数据表明登录次数和访问的页面数量高度相关[47]。如果有一种使用干预的规定方式，我们可以寻找遵守这一点，但网站是根据不同用户的需求设计的，这样参与者就可以使用他们认为有用的部分或组件。

‎ 查看此图

影响

这里提供的数据只能被认为是假设生成。显然，在得出任何确定的结论之前，需要进一步专门设计来测试这个模型和相关问题的研究。然而，如果在其他研究中得到证实，这些数据对干预和试验设计都有意义。因为对依从性的最大预测是分配给干预组而不是对照组，研究人员需要把重点放在确保网络干预对用户有吸引力上。文献表明，要做到这一点，最好的办法是确保干预在理论上是知情的，对用户具有强烈的个人相关性和有效性(例如，通过定制和确保可信度)，以及多种推动因素，包括自动的(例如，电子邮件或短信服务文本提示)或人为的(例如，促进或指导)。以前的作者认为，有可能确定最可能坚持的人群[9]。我们的数据表明，这不大可能取得成果。

对试验设计的影响更具有挑战性。如果我们关于低留存率与干预组的用户感觉他们的需求得到满足有关的假设得到证实，这可能对基于网络的干预措施的基于网络试验的设计产生深远的影响。

结论

在一项帮助危险和有害饮酒者减少饮酒量的网络干预的在线随机对照试验中，坚持和保留以一种复杂的方式相关。一些用户特征，特别是人口统计变量，对坚持和保留都有积极的影响，而行为和相关变量增加了坚持和减少了保留。我们提出了各种可能的假设来指导进一步的研究。