基于应用程序的慢性疾病干预的损耗率和退出率:系统回顾和荟萃分析

简介

慢性疾病是全球范围内一个日益严重的大问题，近年来发病率急剧上升，其中包括艾滋病毒(HIV)等目前采用慢性管理的传染病。其中一个例子是糖尿病，其全球患病率从20世纪90年代的不到5%增加到今天的8%以上，几乎翻了一番[1］．与其他慢性疾病一样，糖尿病的经济和社会成本是巨大的，巨大的直接卫生保健成本往往被该疾病的社会影响所掩盖[1，2］．这导致大量研究集中于如何预防和管理这些疾病，现在有许多建议建议从以医学为中心的护理模式转向以患者为中心和以社区为中心的护理[3.］．然而，在实施慢性疾病预防和护理项目方面存在许多困难，特别是如何满足需要这些服务的大量、多样化和不断增长的人群所带来的挑战[1，4］．其中一个困难是退出率或减员，即患者完全或足够地停止使用干预措施，以至于干预措施的效益可以忽略不计。这是移动电话应用程序等新技术创新需要特别关注的领域。

慢性疾病的管理通常很复杂。患者可能服用多种药物，遵循严格的饮食方案，并有生活方式目标，以最佳地管理他们的疾病[5］．来自卫生工作者(医生、教育工作者、营养师和其他人)的专业协助是这种管理的重要组成部分，但越来越多的国际证据表明，自我管理——使患者能够管理自己的护理——是改善结果的另一种有效方法[6-8］．

自我管理干预措施的范围从提供教育材料到高度支持性的多方面项目，其中包括各种措施[7］．一种日益流行的自我管理辅助方法是向人们提供基于网络的电子健康或移动应用程序(即移动健康[mHealth])，以帮助他们管理自己的疾病[9］．这些干预措施在管理标志物方面已经证明了有效性，最近的一项系统综述发现，尽管证据是初步的，但移动健康干预措施在降低糖尿病患者的体重和糖化血红蛋白方面是有效的[10］．最近的另一项研究仅研究了移动应用程序对糖尿病护理的效果，发现支持糖尿病应用程序改善糖尿病患者血糖指标的有效性的证据有限[11］．总的来说，越来越多的证据表明，移动健康干预措施，特别是应用程序，可能是促进患者自我管理的有效方法。

然而，在使用移动医疗干预措施时，患者护理的一个主要障碍是人员流失。之前的研究已经确定，高达80%的移动健康干预参与者可能只参与最小的使用在这些干预措施中，定义为登录服务少于两次，只有一小部分用户长期持续使用干预措施[12，13］．虽然临床试验通常报告70%或更高的保留率，但这些保留率的持续时间通常很短，有些不到两个月，并且可能不能代表实际使用的情况[10］．一项在现实世界中大型队列中应用程序使用的观察性试验发现，只有2%的人持续使用有望改善临床结果的应用程序[14］．如果下载应用程序的人中只有2%的人真正使用它，那么对大多数人来说，收益显然是微乎其微的。仅仅证明移动健康干预措施在临床试验中有效是不够的:在现实环境中保留是这些干预措施被认为有效的必要先决条件。

本文对糖尿病和其他慢性健康问题的移动健康干预的辍学率和原因进行了系统回顾和荟萃分析。这分为临床试验和观察性研究，以估计在受控和非受控环境下的比率，并估计在有大型支持网络的研究中的效果，以防止减员和更多现实世界的当这些应用程序实际推广到临床实践时，可能会有预期的经验。这些也是定性合成的。

方法

采用一种可重复的策略来确定研究，检查基于移动应用程序或基于互联网的慢性病自我管理的移动健康干预措施。从2003年至今，通过电子检索MEDLINE(在线医学文献分析和检索系统)、PubMed、Cochrane CENTRAL(中央对照试验登记)和Embase来确定研究。下面列出的搜索词大致基于以前对类似主题的系统回顾[15］．GMK于2019年6月进行搜索，并使用Microsoft Excel 2013和EndNote 8.0版(Clarivate)排除重复项。

然后，使用每个数据库的数据收集过程对搜索到的标题进行电子下载，GMK和SR根据纳入标准对标题进行筛选，以确定合格性。然后由这两位审稿人独立地审查摘要。任何分歧都由两位作者裁决。还评估了纳入研究的参考文献，以确定进一步纳入的试验。本综述包括实验和准实验研究设计。由于分析基于次要终点(即减员)，因此没有使用正式的偏倚风险工具来评估纳入研究的质量。

在荟萃分析中，从每项研究中提取总辍学率，以及对照组和干预组的参与者人数。主要的总结测量是这些试验的退出率。

纳入研究的资格标准如下-研究必须符合所有标准:

1. 英文出版。
2. 适用于成年人(年龄≥18岁)。
3. 随机对照试验(rct)或观察性干预(即病例对照或队列)。
4. 看看应用程序在慢性疾病中的使用情况。
5. 包括退出和流失的衡量标准。

一个系统的叙述综合产生了描述所包括的研究和他们的发现有关辍学。这一叙事综合审查了所有研究的发现，并提供了主题的总体总结。

使用Stata 15.1版(StataCorp LLC)对纳入的研究进行荟萃分析metaprop命令的结果汇集自观察临床试验中退出率的随机对照试验。还有第二项荟萃分析，按试验类型进行:观察性与随机对照试验。主要结果是辍学率。采用I²漏斗图的统计与目测;采用Egger加权元回归检验来确定发表偏倚的影响。如果确定了试图防止辍学的研究，这些将构成亚组分析的基础。对短期(≤2个月)研究与长期(>个月)研究的减损进行了敏感性分析。

本研究已在国际系统评价前瞻性注册(PROSPERO)注册(CRD42019128737)。

结果

概述

越来越多地使用移动医疗解决方案来管理慢性病;然而，有效和长期的参与(即流失率)被归因于各种因素。

在进行数据库搜索后，共识别出1420篇文章。排除重复项后，剩下831条唯一记录。其中797例在复查前被排除。通过从纳入的研究中进行参考筛选，进一步确定了2项记录，总共有36项研究被纳入综述(见图1)．在最终综述中纳入的36项研究中，有19项根据包括儿童的研究和只研究急性或感染性疾病的研究的排除标准被排除。纯在线、电话和短信干预的研究，以及没有测量辍学率和流失率的研究也被排除在外。这就剩下17项研究要纳入最终的定性和定量综合。

‎ 查看此图

纳入研究的特征

纳入的研究发表于2011年至2019年之间[14，16-31］．其中，大多数(14/ 17,82%)研究了一系列慢性疾病，包括针对腰痛、慢性肾病、疼痛、痛经和艾滋病毒药物的单一研究;其余(9/ 17,53%)着眼于更普遍的生活方式改善，如饮食行为和体育活动。在17项研究中，有3项(18%)特别关注糖尿病。最终综合纳入了9项rct(53%)和8项观察性试验(47%)。这些问题总结在表1．

研究在持续时间、规模、流失率、方法和其他领域有显著差异。本综述中最短的试验持续了2周，17例患者中有5例(29%)持续了一个月或更短时间。在9项rct中，2项(22%)研究了1年的数据，一些观察性试验进行了6-10个月的时间。在持续1年的随机对照试验中，所有研究中最低的流失率为9% [29];在一项持续6周的观察性试验中，最高流失率为82% [26］．最大的试验是一项持续24周的观察性研究，有近20万参与者;最小的试验是一个只有20人的小队列研究。

荟萃分析

荟萃分析的结果载于图2．总体平均流失率为43% (95% CI 29-57)， I表示研究间异质性非常高²统计>99%。在这种情况下，非常高的异质性并不意外，因为研究在时间、实施和他们所检查的疾病状态方面存在极大的差异。

‎ 查看此图

从研究类型的结果来看，在观察中有更高程度的减员现实世界的与对照试验相比(49%，95% CI 27-70)，只有40% (95% CI 16-63)退出。敏感性分析着眼于研究时间长短的差异(即短与长)，糖尿病与其他慢性疾病的差异，或研究数量是否庞大，没有发现试验之间的流失率有任何类似的差异。

人员流失率

与较低的流失率相关的一个原因是被纳入的参与者的行为特征。低流失率的特点是由于认为自己的健康状况很差等原因，因此激励了改变的需要[18以及那些想要参与医疗保健的人[20.］．在纳入的研究中，与减员相关的其他因素包括健康素养;年龄方面，较年轻的参与者退出较少;以及研究生教育[18，22］．在严格节食或研究开始前一直是健康饮食者的人群中，损耗率也很低[14］．另一个与低损耗率相关的是那些参与多种干预的人。那些参与网络或电话程序以及应用程序的人更有可能留在研究中。23］．相反，在研究的长度、研究的疾病或应用程序试验的规模方面，似乎对流失率没有太大的影响。

这些研究的结果表明，通过使用不同的消息内容或格式来维持用户的兴趣，可以提高流失率和长期粘性;例如，量身定制的信息可能有可能在临床上显著提高依从性[16］．其他研究表明，通过定制信息来保持用户兴趣的好处较少;尽管在两项研究中，4个月和1年的损耗率分别为22%，但应用程序和健康咨询并没有降低干预组和常规护理组之间的糖化血红蛋白水平[17，30.］．此外，自我管理技能和联系健康专业人员的能力还可以提高用户的参与度，而用户的反馈输入提高了应用程序的可用性，并增强了每日自我报告的用户体验[17，19］．对不同类型的用户进行分类对于提高长期用户粘性很重要。低保留率也可能是由于无指导的自助方法，进一步吸引那些需要自我监控的人仍然具有挑战性。

关于流失率的另一个问题是定义的差异很大。而一些研究报告只登录一次的用户为辍学其他人则将定义扩大到只使用一两次应用程序的人。例如，总体退出率最低的RCT包括在整个随访时间内仅通过应用程序发送一份报告的患者，这并不表明持续、长期使用[29］．虽然根据该研究中使用的定义，这些用户可能不是辍学生，但他们从干预中获得的益处明显较低，如果分析不那么广泛，可能会被认为是辍学生。

讨论

主要研究结果

基于应用程序的干预措施中的减员是一个重要的，但尚未得到充分研究的因素。为了让这些干预措施发挥作用，人们使用并继续使用应用程序是一个必要的组成部分;然而，似乎有证据表明，情况并非总是如此。在这项系统综述和荟萃分析中，退出率的汇总估计为43%，在真实世界的研究中，退出率较高，而在高支持的随机对照试验中，退出率较低。这可能表明存在一个非常严重的潜在问题，因为这些干预措施的高辍学率将限制其在一系列慢性疾病卫生保健中的使用和吸收。

虽然随机对照试验的退出率明显低于观察性试验，但值得注意的是，本研究中对减员的定义往往不同。随机对照试验倾向于将所有参与者描述为应用程序的用户，除非他们已经完全停止使用该应用程序;虽然这符合最佳实践意向治疗分析，但它也提出了上述汇总结果的一个重要限制。将随机化的人纳入分析是值得称赞的;然而，这也掩盖了一个事实，即即使在这些有详细患者支持和随访的随机试验中，大部分人几乎不使用这款应用，甚至根本不用。这令人担忧，因为这意味着即使有非常高水平的支持，应用程序对患有各种慢性疾病的人来说也不是一种具有持久力的干预手段。同样值得认识到的是，考虑到研究设计和参与者保留的差异，结合观察性和随机对照研究的估计可能存在一些缺陷。然而，报告的辍学率的差异没有显著差异，只有点估计和重叠置信区间的微小差异。这可能是因为主要的分歧在于减员的定义，而不是研究本身的细节。如上所述，即使在退出率较低的随机对照试验中，也可能有一些研究符合更宽松的定义摩擦用于一些观察性研究。

同样令人关切的是，在许多研究中似乎没有对这种减员背后的原因进行过多的审查。很少有研究试图解释为什么人们会退出，这归因于健康素养、年龄和教育程度，但这些不太可能是与应用程序使用减员有关的唯一因素。例如，正如研究结果中所提到的，在一些研究中，健康状况得到较大改善的人更有可能继续使用该应用程序。很可能存在一系列未知问题，可以针对这些问题加以改善，但到目前为止，对这个问题的正式认识还很少，这可能限制了为补救这种情况而进行的研究。许多研究甚至没有解决人们以惊人的速度退出基于应用程序的干预措施的可能性，这可能是大规模采用干预措施的一个问题，也没有解决这可能导致的问题，根据退出的原因而加剧健康不公平。当考虑到年龄和社会地位可能成为应用程序访问的障碍时，这一点尤其令人担忧——正如一些纳入的研究所暗示的那样——这可能会进一步加剧那些使用应用程序的人的选择偏见所造成的问题。如果更年轻、更健康的人更有可能使用应用程序，这通常是事实。32，然后更有可能长期使用它们，这些应用程序对我们最想帮助的人群可能就不那么有用了。

这在试验中是一个常见的主题，在这些试验中，磨损或不使用几乎没有得到解决，或者只给出非常表面的评价。如果干预组和对照组之间的主要结果有显著差异，则普遍认为减员不重要;这在随机对照试验中似乎相当常见，可能是因为本研究的目的是在意向治疗框架下专门评估应用程序[29，30.］．然而，这也有明显的缺点，尤其是我们可能会看到文献中对基于应用程序的干预效果的严重低估，这是由于它们在被研究人群中的使用率普遍较低所致。

这项研究有许多非常重要的局限性。首先，得出的估计肯定不全面。许多符合所有纳入标准的研究(N>30)未能以一种可以提取的方式报告退出或减员。考虑到基于应用程序的干预试验的数量，对拥有这些数据的每个作者组进行随访被认为是不可行的，但值得注意的是，这个最佳猜测代表了潜在证据总量中相对较少的试验。

还有一个关于异质性的问题。考虑到纳入研究的性质，在统计上发现非常显著的异质性水平并不令人惊讶，但这对于作为合理的减员估计的荟萃分析来说是令人担忧的。这些研究是在不同的疾病状态下进行的，干预措施变化很大;事实上，它们都包含了一个应用程序，这是一个薄薄的纽带，并没有克服它们之间的巨大差异。

同样值得注意的是，这一领域的研究正在迅速发展。我们发现在2010年之前没有发表过任何研究，在2015年之前的几年里也很少，然后在之后的几年里，研究出现了爆炸式的增长。在2025年重新进行这一元分析很可能会得出一个更可靠的数字估计。这也可能允许按疾病状态进行分析，这可能被证明是对减员率的更准确估计。

有许多理论可能与基于应用程序的干预的减员有关，有几个不同的重点。行为理论可能有助于未来的人员流失率研究，也许可以通过检查那些退出或不退出基于应用程序的研究的人的社会认知方面。综合行为理论也可能有助于研究社会因素及其导致的行为之间的关系，从而理解人们决定使用或停止使用应用程序的过程。

理想情况下，这将与更广泛的社会和人口减员驱动因素相结合。虽然到目前为止，这些驱动因素很少在研究中被确定，特别是年龄，但关于社会如何影响行为以防止人们使用基于应用程序的干预，仍然存在很大的证据差距。未来的研究应结合这两种理论方法来确定人员减员的背景原因，以便设计干预措施以使其最小化。

除了对应用流失率的估计，这项研究还有一些重要的含义。未来的研究着眼于基于应用程序的干预措施，应将减员作为次要终点，并在可能的情况下开发预防方法。一个重要的方面是制定一个标准来衡量基于应用程序的干预措施的最低使用量;一个合理的例子是在任何给定的时间内(即每月一次登录)一次或更少登录应用程序的一些试验中使用的例子。然后可以考虑低于这个基本阈值的使用摩擦为了研究的目的。同时，我们也应该尝试一些方法去降低辍学率，以及基于应用程序的干预中潜在的不公平的流失率。如果没有这样的研究，我们就无法知道应用程序是否对普通人群有效。

结论

这项系统综述和荟萃分析发现，在各种时间线上，基于应用程序的慢性疾病干预试验的退出率的汇总估计为43%，时间长度对退出率的影响很小。在观察中，流失率较高现实世界的在随机临床研究中，不到三分之一的患者在试验完成前退出。然而，由于高异质性和许多试验缺乏关于流失率的报告，研究结果受到限制。未来的研究应该关注患者退出的频率，并研究原因，以便在基于应用程序的慢性疾病干预中解决这一重要问题。