在初级保健环境中2型糖尿病患者使用热量监测手机应用程序的短期轨迹

简介

随着城市化和人口老龄化的加剧，预计全球2型糖尿病的患病率将上升[1］．在新加坡，18-69岁成年人的患病率从2004年的8.2%上升至2010年的11.3%，随着人口年龄和肥胖程度的增加，预计患病率还会继续上升[2，3.］．糖尿病是一种慢性疾病，需要患者自我管理以及卫生保健提供者的持续医疗护理。有更好的自我照顾行为的患者，如坚持膳食建议和血糖监测，已被证明比给予更多药物的患者更好地控制病情[4］．

对22项试验的荟萃分析证实了糖化血红蛋白(Hb_{糖化血红蛋白})水平(平均0.5%;95% CI 0.3-0.7)通过手机互动自我管理糖尿病[5］．2012年，新加坡的智能手机普及率为74%，是世界上智能手机普及率最高的国家，到2013年，智能手机普及率已增至78%。6］．在应用程序使用方面，新加坡目前排名第五^th全球75% [7］．为了利用日益增长的智能手机和应用程序的拥有和使用，新加坡健康促进委员会(HPB)创建了一个名为“交互式饮食和活动跟踪器”(iDAT)的移动应用程序，使用户能够使用当地可用的食物数据库跟踪每日消耗和燃烧的卡路里。尽管这款应用程序适用于任何人，无论他们是否患有糖尿病，但健康的饮食、锻炼、减肥或保持健康的体重仍然是管理糖尿病的主要一线疗法[8］．iDAT应用程序可以通过让糖尿病患者监测饮食和运动，在生活方式自我管理方面发挥支持作用。

已经开展了几项关于在糖尿病管理中使用技术和手机的研究，包括使用干预方法(而不是控制方法)的研究，其中干预组收到手机提醒或自我监测血糖水平的反馈。9，10］．然而，试图了解基于手机的干预措施的使用模式的研究一直具有挑战性。一些研究试图评估使用模式，但以一种简单的方式提供了很少的有用信息-描述、平均值或使用数据的表格[9，11］．在不同的使用模式中比较预测因素和临床结果变得有问题，因为随着时间的推移很难定义和区分有意义的使用模式。

“潜在阶层增长模型”(LCGM)是一种统计技术，它利用个体潜在群体的存在，这些个体在某一特定特征上具有相似的时间轨迹，对其进行表征可以更好地理解该变量的变化模式[12，13］．LCGM已在犯罪学和行为研究中使用了一段时间，直到最近才用于儿童和成人体重轨迹的医学和公共卫生研究[14，15］．据我们所知，LCGM尚未用于分析患者群体中的应用程序使用模式。在应用这种数据分析技术时，我们的目标是更好地理解和描述新加坡初级保健环境中2型糖尿病患者与热量监测移动健康应用程序(iDAT)的技术接触的性质和程度，该应用程序可能有助于他们的慢性疾病的自我管理。

我们研究的主要目的是评估iDAT应用程序在2型糖尿病患者中的使用情况。更具体地说，我们的目标是确定和描述新加坡初级保健机构中2型糖尿病患者使用iDAT应用程序的短期(8周)轨迹，并确定与不同轨迹相关的患者特征。

方法

研究设计、地点和人群

这项研究是在位于新加坡东北部的18家公共初级保健诊所(综合诊所)之一进行的。这是一个典型的综合诊所，在2013年管理了近5000名2型糖尿病患者。参与研究的患者必须符合以下所有纳入标准:(1)年龄在21岁以上，(2)根据世界卫生组织标准诊断为2型糖尿病[16]，(3)拥有能够下载iDAT应用程序的智能手机(仅限苹果iOS或Android平台)，以及(4)能够理解和使用iDAT应用程序。排除标准为(1)严重身体和/或认知障碍，(2)1型糖尿病，(3)怀孕，或(4)之前使用过iDAT应用程序的患者。

参与者在2013年11月至2014年3月的5个月期间被招募。我们联络在综合诊所接受糖尿病辅导及眼足并发症检查服务的病人。拒绝参与、使用应用程序不舒服或不懂英语的患者没有被招募(图1)．研究人员向招募的参与者介绍了iDAT应用程序，并教他们如何使用它来监测食物摄入量和身体活动。应用程序注册使用个人电子邮件地址，应用程序使用情况的监控基于所提供的电子邮件地址。调查问卷包括人口统计学问题、评估iDAT应用程序有用性的基于量表的问题、目前的饮食和运动、改善饮食的动机以及运动的动机(图2)．该问卷还包括一个8个问题的工具，糖尿病赋权量表-简短表格(DES-SF)，由密歇根糖尿病研究和培训中心(图3) [17］．该仪器评分为1分(低自我效能)至5分(高自我效能)，可评估患者与糖尿病相关的自我效能[17］．患者临床资料包括身高、体重、血压、Hb_{糖化血红蛋白}也被收集起来。调查问卷主要是自我管理的，在需要时由研究人员协助。最初，该计划只招募新诊断的患者。但由于招募速度缓慢，为了达到80名患者的初步目标，在研究进行3个月后，招募范围扩大到所有满足纳入标准的患者。

在入组后的2个月内，每周监测患者对iDAT应用程序的使用情况。参与研究的患者没有经济补偿。本研究由SingHealth中央机构审查委员会E (CIRB) (Ref: 2013/743/E)根据所有适用法规批准，并在解释了研究的性质和可能的后果后获得知情同意。参与者在获得同意时被告知，在参与者信息表中，用于iDAT注册的电子邮件地址将被收集并用于跟踪应用程序的使用情况。上述个人信息和其他所收集的资料应予以保密，并在经中国保监会批准的必要情况下使用。

‎ 查看此图

‎ 查看此图

‎ 查看此图

iDAT智能手机App

iDAT应用程序(图4)是由新加坡卫生部(Ministry of Health, Singapore)下属的法定委员会HPB开发的，其成立的目的是推动国家健康促进和疾病预防项目。iDAT应用虽然不是糖尿病专用的，但之所以选择它，是因为它是为新加坡当地人口创建的，可以在两个最常见的智能手机平台(iOS和Android)上免费轻松地使用，针对一线糖尿病饮食和运动管理，不需要任何额外的设备，如血糖仪，让患者充分利用应用程序。

该应用程序可以通过苹果的iTunes/ app Store和安卓的谷歌Play免费下载。它的功能是一个卡路里计数器，帮助用户平衡每天摄入的卡路里和燃烧的卡路里。“膳食”部分允许用户输入通过食物数据库摄入的食物及其估计卡路里，包括当地民族食物。在“健身”部分，用户可以点击智能手机的全球定位系统(GPS)来监控健身情况，并计算估计消耗的卡路里。锻炼可以手动添加，也可以使用应用程序的“步数计数器”。其他功能还包括社交功能，如facebook分享和“体重和目标”功能，该功能允许用户设定减肥目标，并跟踪一段时间内的减肥情况。

‎ 查看此图

统计分析

基线时的人口学变量和临床特征总结为连续变量的均值和标准差，分类变量的计数和百分比。HPB以每周使用的形式提供iDAT应用程序后端信息。为了总结这些数据，一周内任何关于食物摄入或运动锻炼的记录都被视为该周的使用量。

使用统计分析软件(SAS)宏PROC TRAJ应用LCGM分析每周iDAT应用程序使用数据，并确定表征队列iDAT应用程序使用轨迹的潜在群体。LCGM采用最大似然估计模型参数[18，19］．为了确定潜在轨迹组的数量和轨迹形状，考虑了多个因素:模型拟合统计量(贝叶斯信息准则/BIC)，多项式项的显著性，以及平均后验概率值，并着眼于轨迹组数量的简约性[13，20.］．最佳拟合模型的选择基于BIC差异的大小，以及在给定组数的情况下，最佳定义每组轨迹的线性/多项式规范[18，20.］．每个患者被分配到其后验概率最高的轨迹组[20.］．随后，使用单变量和多变量(逐步)多因素logistic回归来确定预测轨迹组成员的人口学特征或临床特征。

结果

招募患者的基线特征

在153名患者中，84名同意并满足纳入/排除标准的患者被纳入(图1)．人口统计学、临床和糖尿病相关变量、社会生活方式因素、智能手机特征、动机评分以及基线时的DES-SF表1．研究参与者的平均年龄为48.2岁(SD 8.5岁)，性别分布几乎相等。在族裔构成方面，54%(45/84)是华人，27%(23/84)马来人，12%(10/84)印度人，其他族裔占其余7%(6/84)。大多数人已婚(83%，70/84)并有工作(83%，70/84)。拥有中学或以下学历的人数最多(46%，39/84)，其次是文凭(21%，18/84)、学位(20%，17/84)和专上教育(12%，10/84)。平均体重指数(BMI)为29.1 kg/m (sd6.1)²，平均收缩压130.5 (SD 18.5) mmHg，平均舒张压77.6 (SD 10.9) mmHg，平均Hb_{糖化血红蛋白}水平为8.7 % (SD 2.5)。少数人吸烟(15%，13/84)，31%(26/84)是定期或社交饮酒者。

由于我们优先考虑新诊断患者的入选，只有21%(18/84)的入选参与者在入选前一年多被诊断患有糖尿病。因此，大多数参与者只进行“饮食”治疗，不使用药物(31%，26/84)或使用一种糖尿病药物，但不使用胰岛素(42%，35/84)。

当被要求在0-9(0-非常不健康和9-非常健康)的范围内评价他们的饮食健康程度时，参与者报告的平均得分为4.8 (SD 1.9)。他们报告的运动频率从25%(21/84)的人表示他们“过去一年没有运动”到7%(6/84)的人表示他们“每月运动1至3次”。他们通常都很积极地改善饮食和锻炼，当被要求在0-9的范围内对他们的动机进行评分时，他们给出了相似的平均得分，分别为7.3 (SD 1.5)和6.7 (SD 1.5)。

大多数人拥有android智能手机(70%，59/84)。大多数人经常使用智能手机和应用程序，87%(73/84)的人表示他们每天使用智能手机超过5次，76%(64/84)的人每天使用应用程序超过5次。在被展示如何使用iDAT后，他们对其有用性给出了一个积极的基线评分，在0-9的范围内，平均得分为6.7 (SD 1.5)。

每周iDAT应用程序使用潜在轨迹组

使用LCGM方法并应用拟合优度标准，每周iDAT应用程序的使用被最好地表征为三个潜在轨迹组(图5)．指定四个轨迹组的模型未能收敛，假设两个底层轨迹组的模型具有较高的BIC值，表明拟合较差。根据每个群体的iDAT应用程序使用轨迹的形状，三个潜在轨迹组被标记为“最小用户”，“间歇性衰退用户”和“一致用户”。

总共有78.6%(66/84)的研究参与者是“最小用户”，典型的使用模式是在招募后的前两周不输入iDAT或只输入iDAT;11.9%(10/84)为间歇性衰退用户，典型的输入模式是偶尔每周输入一次，主要是在招募后的前4周。剩下的9.5%(8/84)是一致用户，在招聘后的8周时间里，他们的典型输入模式是每周输入一次。

‎ 查看此图

轨迹群成员的预测因子

单变量(表2)和多元(表3)多分逻辑回归(最小用户作为参考类别)用于评估基线特征，认为最可能作为轨迹组成员的预测因素。单因素分析显示，健康饮食(OR 1.6, 95% CI 1.0 ~ 2.5)和运动动机(OR 3.9, 95% CI 1.6 ~ 9.6)与一致性使用者相关，运动动机(OR 1.8, 95% CI 1.0 ~ 3.1)和DES-SF评分(OR 6.6, 95% CI 1.4 ~ 29.8)与间歇性消退使用者相关。多变量分析得出两个重要的预测因素:女性成为持续使用者的几率高于男性(OR 19.55, 95% CI 1.78-215.42)，基线时运动动机得分较高的受试者成为间歇性渐弱使用者的几率更高(OR 1.82, 95% CI 1.00-3.32)和持续使用者的几率更高(OR 4.89, 95% CI 1.80-13.28)。

讨论

主要结果

据我们所知，这是第一个应用LCGM来描绘应用程序使用轨迹的研究。我们能够将热量监测移动健康应用程序的使用模式区分为三个潜在轨迹组:最小(76.8%)，间歇性-减弱(11.9%)和持续用户(9.5%)。虽然大多数患者不使用或很少使用该应用程序，但约20%的患者使用该应用程序，近10%的患者在入组后的8周内定期使用该应用程序。与“最低限度用户”相比，女性和基线时运动动机得分较高的受试者成为“持续用户”的调整后几率显著更高。对于那些在基线时运动动机得分较高的人来说，成为间歇性衰退用户的调整后几率也显著更高。LCGM的应用允许我们描绘iDAT应用使用的不同轨迹，然后确定应用使用特定模式的预测因子。

与之前工作的比较

有强有力的证据表明，在糖尿病的慢性护理中，良好的自我管理会导致更好的结果[4，21，22］．为了进一步支持患者努力更好地控制糖尿病，最近的研究试图调查互联网和手机等技术的使用和有效性，以促进和支持糖尿病患者的自我效能[9，11，23］．虽然结果总体上是积极的，但技术系统的使用率差别很大，有的低至13%，有的则高达92% [9，23］．在某种程度上，这可能是由于不同的研究设计、条件和设备类型，导致比较结果和归纳困难。此外，一些早期的干预措施需要额外的资源，如专门的医疗保健人员来操作个性化的消息系统或供受试者使用的小工具，这些小工具在研究之外可能还不容易获得。在广泛的背景下概括使用模式是困难的，因为使用情况在个人和时间之间差异很大，在这方面，LCGM等统计方法在识别、隔离和表征潜在的潜在行为轨迹方面具有很大的价值。

我们的研究方案最初旨在招募新诊断的糖尿病患者，定义为诊断为糖尿病后第一年的患者。我们认为这些患者将从使用iDAT应用程序中受益最大，因为他们可能会学习新的饮食习惯并改变生活方式。此外，很少有研究关注新诊断糖尿病患者的自我激励[24］．随着研究的进展，我们发现无法在诊断后的第一年招募足够数量的患者，因此我们扩大了纳入标准，包括在入组前一年以上被诊断患有糖尿病的患者。因此，我们的研究队列包括了不成比例的新诊断糖尿病患者。大多数参与者没有服用糖尿病药物或只服用一种药物，参与者的平均年龄比新加坡糖尿病患者的总体年龄要小[25］．然而，我们发现疾病持续时间和iDAT应用程序轨迹组成员之间没有关联。

我们研究队列的相对年龄较低，也可以部分归因于年轻一代拥有手机或熟悉应用程序使用的比例较大。在我们的研究参与者中，印度人和马来人的比例较高，这与新加坡多民族人口中糖尿病患者的人口统计学特征一致[25］．

在评估患者临床特征时，我们研究中的平均BMI处于“高风险类别”并不奇怪。肥胖是众所周知的糖尿病风险因素，城市化的新加坡肥胖率呈上升趋势[2］．平均Hb_{糖化血红蛋白}水平相对较高，为8.7% (SD 2.5)，表明一些患者没有满足他们的Hb_{糖化血红蛋白}目标或因糖尿病诊断较晚。

虽然医学文献还没有清楚地反映性别之间应用程序使用的差异，但这个主题已经在营销研究中得到了彻底的分析，因此应用程序开发可以针对目标受众。他们的研究结果表明，虽然Facebook和Twitter等知名热门应用程序的性别使用率相同，但男性和女性下载或使用的应用程序类型存在差异。26-29］．例如，移动商业数据提供商Flurry Analytics发现，男性更有可能下载体育和汽车相关内容，而女性下载更多的购物目录应用。26］．专门为Android用户推荐应用的应用程序公司AppAware在2012年发布了一份信息图表，显示男性使用更多的系统工具，而女性更喜欢文字、大脑和泡泡射击游戏。27］．然而，在健康和健身应用领域，结果并不是那么确定。根据移动分析和广告公司Apsalar的数据，男性使用健康和健身应用的人数比女性多10%，但Flurry analytics的信息显示，女性更有可能下载健康和健身应用。26，28］．尽管如此，这表明性别可以在决定应用程序的使用方面发挥作用，而像iDAT这样的热量监测应用程序可能更吸引女性。进一步深入，性别研究可能需要确定为什么女性更偏爱iDAT或特定类型的应用程序。

我们的研究结果还表明，运动动机得分越高的患者使用应用程序的频率越高。启动或增加锻炼计划有很多障碍，所以那些运动动机更高的患者可能会更坚定地采取积极措施改善他们的糖尿病，包括更勤奋地使用应用程序。

优势与局限

在初级保健环境中实施这项研究，没有外部压力或附加便利，如定期提醒、补偿或对参与者使用iDAT应用程序的财务激励，这巩固了它的优势。这项研究提供了一个典型的移动电话应用程序的潜力，以达到患者群体中的目标用户群体。我们相信，在一个自然的“现实世界”设置中，我们的结果很好地表明了这款热量测量应用程序的使用程度和模式，该应用程序主要基于自我激励。

应用程序数据库只能提供每周应用程序使用情况的信息，这一分析受到了限制。在研究设计过程中考虑了这一限制，并基于我们对参与者在输入数据时的遵从性和勤勉性的现实期望而接受了这一限制。假设参与者对每天的数据输入有足够的遵从性，那么每日应用程序输入的数据库可能会提供更详细的使用模式图片。

本研究具有实际意义和应用价值。在推荐饮食和锻炼指南的同时推荐健康相关应用程序的医疗保健提供者应该意识到，只有十分之二的人可能会使用这些应用程序，而且只有十分之一的人可能是长期用户。男性和运动动机较低的人不太可能经常使用这类应用程序。需要进一步的研究来了解用户在这三个轨迹组中的心理结构，这将影响他们对应用程序的采用。各自应用程序的设计、特征和功能是其他可能促进或阻碍用户使用应用程序的潜在因素，这需要进一步调查。

这项首次使用LCGM作为分析方式的研究受限于相对较小的研究样本和较短的观察时间。然而，收集到的信息，特别是在三个轨迹组中应用程序的吸收变化，将为未来研究的设计和样本量估计提供信息，以确定热量测量手机应用程序对糖尿病用户临床结果的有效性。

结论

我们成功地新颖地应用了统计方法LCGM，提供了纵向数据的深刻分析，以确定目标人群中的应用程序效用。对于选定的糖尿病患者，iDAT应用程序可以作为辅助工具，与通常的咨询方式相结合，促进生活方式的改变。