我们根据2020年系统评价和元分析(PRISMA)指南首选报告项目进行了本次系统评价[ 24]。在研究开始前，该综述方案已在国际前瞻性系统综述注册(PROSPERO;CRD42022329669)。

两名研究人员(J-CH-R和CG-M)在PubMed、Scopus、Web of Science、Cochrane Library和CINAHL进行了独立的电子检索。这次搜索包括了从数据库建立到2022年7月10日的所有记录。有关数码策略的搜寻词( “虚拟， ”“在线， ”“网络， “基于互联网的， ”“数字， ”“e-Health， ”“移动医疗， “应用程序， ”和 “mApp”)、皮肤癌( “黑素瘤， 皮肤黑素瘤， 恶性黑色素瘤， ”和 “皮肤癌”)、预防( “预防”和 “防晒”)，以及危险因素( “晒黑了， ”“晒伤， ”和 “紫外线”)。这些是用布尔运算符“AND”和“OR”组合起来的。有关搜寻策略的详情，请参阅附录S1 多媒体附件1．

我们根据PICOS模型(即患者、干预、比较、结果和研究设计)制定了符合条件的标准 表1．

为了管理数据，Mendeley Desktop(版本1.19.8;Elsevier)被用来检测重复并进行筛选过程。两位独立研究人员(J-CH-R和CG-M)根据标题和摘要筛选记录，然后对研究进行完整阅读，以选择符合上述标准的研究。任何分歧都由第三位研究员J-JP-R讨论。

我们使用Cochrane偏倚风险工具版本2 (ROB-2)评估方法学质量和偏倚风险[ 25]。该工具由以下五个领域组成:来自随机化过程的偏倚、预期干预、缺失结果数据、结果测量和报告结果的选择。总体判断分为“低”、“一些担忧”或“高”偏差风险。我们还进行了亚组分析，以确定方法质量水平和方法威胁(如盲法)如何影响退学事件。

从纳入系统综述的随机对照试验中提取以下数据:作者或年份和国家、研究人群、招募样本、分析样本、性别、实验和对照干预、退出率、退出原因、干预时间。当手稿中没有直接提供辍学率或辍学率时，两者都被计算出来。

在随机化过程后，当参与者没有完成干预或随访期时，就会考虑退出。对于包括2组以上干预的研究，我们分别对对照组进行了两个两个的分析。退出数据是从随机对照试验的文本中提取的，这些随机对照试验在流程图、参与者描述、结果部分或讨论中提供。

为了分析数据，我们使用了免费软件R Studio 4.1.1版。(R基础统计计算)元数据(版本3.0-2)[ 26]， 元(5.1-1版本)[ 27),而 dmetar(版本0.0.9000)[ 28)包。分析包括总体和亚组比例和优势比(OR)为基础的meta分析和meta回归。

考虑到所选rct之间可能存在的异质性，所有meta分析均采用随机效应模型。此外，用I²，数值超过50%，表明异质性较大。当至少有3个研究组可用时，进行亚组元分析和元回归。

比例荟萃分析使我们能够计算出我们综述中所有研究的95% CI的总体合并辍学率[ 29， 30.]。此外，还进行了亚组分析，以计算数字干预或比较干预的合并退出率，并确定哪种干预导致最高的退出率。该分析由数字或干预比较器排序的OR亚组分析补充，以确定在一个组或另一个组中失去参与者的可能性更大。

OR元分析评估事件(辍学)在数字或比较器干预中是否更频繁或更少。当OR小于1时，退出数字策略的可能性较小。为了评估对二元结果的影响，计算了95% CI的OR，并使用方差逆方法将汇总估计调整为稀疏数据。τ的限制性极大似然估计量²估计随机对照试验之间的方差[ 31]。当研究报告在一个或所有干预组中为零事件时，我们在荟萃分析中添加了0.5的连续性校正，以便这些研究可以有助于综述的总体样本量[ 32]。进行OR荟萃分析，随后用绝对值进行描述。元分析结果显示在森林图中。

进行了敏感性分析，以检测研究如何影响效应量。当一项研究被确定为基于退出变量的异常值时，它将从分析中移除。此外，为了证实先前的结果，我们使用L 'Abbé、Baujat图、Leave-One-Out元分析和影响图进行了探索性分析。

基于随机效应模型的单变量元回归分析评估了年龄、女性百分比、男性百分比、干预月长度和样本量等连续变量作为辍学率的协变量。选择这些预测因素是为了确定参与者的特征和干预措施如何影响辍学率[ 33]。气泡图用于说明协变量如何在元回归分析中修改效应量。

基于等高线增强漏斗图的对称性，我们检查了小型研究和发表偏倚的影响。采用harbor和Egger偏倚检验确认漏斗图不对称( P> . 05)。

在数据库检索中共确定了1566项研究。在剔除重复、筛选过程和完整阅读符合资格标准的记录后，最终纳入17项rct [ 34- 50]。完整的过程显示在 图1．被排除记录的详细情况见年的表S1 多媒体附件1．

在方法学质量方面，基于rob2的总结评分，17项rct中有14项(82%)显示出“一些担忧”。此外，2个(12%)rct [ 44， 47]显示出“低”偏倚风险，只有1人(6%)具有“高”偏倚风险[ 49](图S1 多媒体附件1)。后者显示出“高”偏倚风险，因为观察到组间的基线差异。

对于亚组分析，由于大多数研究不是盲法或盲法没有明确规定，无法进行按参与者盲条件分类的分析。按rob2评分排序的亚组元分析(图S2) 多媒体附件1)表明，总分“低”可能表明非数字预防策略的流失率较低。然而，由于“低”风险研究数量有限，应谨慎解释结果。

研究期间对6593名健康参与者和无疾病者的样本进行了分析。参与者的年龄从12.6岁到54.3岁不等。纳入的随机对照试验中使用的数字策略是8项研究中基于网络的干预措施[ 35， 40， 42， 43， 46， 48- 50]， 6个涉及的应用程序[ 36- 38， 44， 45， 47]， 3个涉及短信[ 35， 36， 39]， 2个涉及视频[ 34， 41]，其中一项涉及可穿戴设备[ 47]。相反，在11项研究中，比较组没有进行干预[ 35， 37， 43- 48， 50]和6项研究中的主动对照[ 34， 36， 38， 39， 41， 49]。

在所纳入研究的所有组中，总退出人数为1120人，其中实验干预组为681人(60.80%)，对照组为439人(39.20%)。在17项rct中，有9项参与者退出的原因被报告为随访期间丢失[ 34， 37， 38， 40- 43， 47， 49]并在4项研究中未回答最终问卷[ 39， 44， 45， 50];2项研究未报告退学原因[ 35， 48]。研究的主要特点表现在 表2．

最初的敏感性分析包括来自本综述随机对照试验的共23个组。敏感度分析后，Brinker等人的研究[ 44]被删除了，因为它被确定为影响效应大小的离群值。灵敏度分析细节见图S3-S6 多媒体附件1．图S7 多媒体附件1显示了一个漏斗图，没有不对称，正如海港测试所证实的那样( P=.66)和Egger偏倚检验( P= i)。

比例荟萃分析包括22组( k)和2610名被试，其中419名被试中途退学。计算的总合并退出率为9.5% (95% CI, 5.0-17.5) ( 图2;( 34- 36， 38- 50])。在亚组元分析中，数字策略的退出率为11.6% (95% CI 6.8-19.0)，而比较组为10.0% (95% CI 5.5-17.7)。这些结果分别在图S8和图S9中的森林图中显示 多媒体附件1．

数字策略的辍学率略有上升趋势，OR为1.16 (95% CI 0.98-1.36)，但实验方法和控制方法之间没有显著差异( P=点)。的 我²为6% (95% CI 0-38)，表明总体荟萃分析和亚组荟萃分析的研究之间缺乏异质性( 图3;( 34- 36， 38- 50])。

我们对按数字战略类型和对照组划分的子组进行了元分析。只有在两个以上rct中分析的策略被纳入OR元分析。如图S10所示 多媒体附件1结果显示，与比较策略相比，所有评估的数字干预措施在辍学率上都没有显著差异。短信的OR得分为0.88 (95% CI, 0.30-2.53)，网络干预的OR得分为1.17 (95% CI 0.94-1.47)，应用程序的OR得分为1.44 (95% CI 0.88-2.35)。我们在比较子组分析中的发现没有显着差异，即使在比较数字策略与主动控制时(OR 1.13;95% CI 0.82-1.54)或无干预组(or 1.14;95% ci 0.90-1.44;图S11 多媒体附件1)。

单变量多元回归分析( 表3年龄、女性百分比、男性百分比、干预月长度和样本量与研究的效应量没有显示出任何显著的相关性。图S12-S16给出了这些分析的元回归气泡图 多媒体附件1．

本系统综述综合了基于eHealth预防皮肤癌干预措施的随机对照试验减损信息。定量分析评估了合并的退出率和退出OR，以及meta分析rct中可能影响受试者退出的调节因子。尽管研究中采用的数字策略使用了不同的平台或设备，但它们都专注于皮肤癌预防，并由皮肤科专家监督。

比例荟萃分析显示，综合退出率为9.5%，电子健康干预措施和比较项的退出率分别为11.6%和10.0%。这些结果与Walters等人的发现一致[ 51]，他审查了英国卫生技术项目在随机对照试验中的保留情况。该综述确定，在相当大比例的随机对照试验中，退出率高达11%。5%的退出率可能会导致偏倚，而超过20%的退出率可能会由于数据分析的不足而影响研究的有效性[ 52， 53]。在皮肤病学文献中没有发现进行类似分析的背景研究，因此比较比率是不可行的。

艾森巴赫等人[ 20.假设数字战略的本质倾向于更高的参与者损失，这种现象被称为“损耗定律”。虽然在我们的比例和OR元分析中，数字策略的辍学率略高于比较组，但差异不显著。我们的研究结果反驳了那些旨在通过这些创新干预措施预防皮肤癌的研究中的“消耗定律”。

以前的系统综述，如Bevens等[ 54]，专注于分析数字策略在多发性硬化症患者中的损耗，并发现分配到数字干预或对照干预的参与者的辍学率没有显著差异。虽然我们的发现与这些先前的发现一致，但目标人群和研究条件与我们不同，因此比较发现是困难的。

与整体OR元分析一样，按数字战略类型和比较器分类的亚组元分析发现，辍学率没有显著差异。与其他数字干预措施相比，只有短信短信的辍学率较低，但没有统计学意义。基于提醒的干预措施，如短信似乎可以促进慢性疾病的依从性，但仍需要进一步的研究[ 55]。值得注意的是，分配给无干预的参与者的辍学率显示出与数字策略类似的损失，反映了他们可能受到非实验因素的影响以及治疗目标前景的丧失的先前预期[ 56]。

我们的元回归发现，没有一个协变量调节干预的效应量。尽管如此，Torous等人[ 17]在使用应用程序治疗抑郁症状的样本量较大的研究中，辍学率较高，这可能与受试者的个人随访率和反馈率较低有关。

除了慢化剂分析之外，对退出原因的评估可能是一种识别障碍的方法，以减少未来rct的自然减员。然而，在本综述中所包括的研究中，报告参与者退出的原因缺乏透明度和同质性，使得上述任务具有挑战性。在我们的rct中报道的主要减员原因是随访损失，但这方面并没有显示出参与者损失的真正原因。

如前所述，退学可能会威胁研究的内部或外部有效性。我们建议研究人员使用我们的总体合并退出率来计算未来试验的样本量，以避免可能的威胁。rct样本量10.1%的过度招募可能是克服外部效度风险的合适方法[ 57， 58]。

尽管我们的OR元分析显示，数字策略和比较干预措施之间的磨损没有差异，但为了获得可用于日常临床实践的结论性结果，我们指出，在预防皮肤癌方面，需要进一步研究数字干预措施和传统干预措施(如教育计划或小册子)之间的正面比较[ 59]。以前的辍学率与干预措施的可接受性和可行性直接相关[ 60， 61]。

鉴于研究在报告辍学人数和原因时所提供的信息稀缺和缺乏透明度，需要对研究框架进行深刻的改变。为了克服这一障碍，相关指南，如报告试验的综合标准，报告了详细说明在研究期间失去参与者的原因和人数的必要性[ 62， 63]。准确地遵循这些指导方针将为研究人员找到合适的预防辍学计划铺平道路。基于数字策略的用户体验的先前文献表明，可靠性、缺乏技术教育、对干预缺乏满意度以及稀疏的人类反馈似乎是其使用的主要障碍[ 63- 65]。我们鼓励未来旨在开发数字策略或执行RCT协议的研究人员实施上述障碍的解决方案，如游戏化、量身定制的电子干预、个性化反馈或程序化提醒(如邮件和短信)。Floryan等人提出的有意义的目标、有意义的选择、支持玩家原型、反馈和可见性的游戏化原则[ 66]可以增强用户体验和参与数字卫生干预。游戏化可以增加动机，强化学习目标，增加皮肤学教育和预防方法的乐趣和积极体验[ 9]。同样地，程序化的提醒是促进预防习惯的有效方式，在皮肤学中使用短信尤为突出[ 64]。与专业监督相关的提醒在预防项目中显示出更大的效果[ 67]。

鉴于随机对照试验是将研究结果转化为临床环境所需的第一步，成功减少研究背景下退出的参与者数量可以提高预防皮肤癌数字项目的长期参与度。

这篇综述有几个优点。我们的研究对通过数字策略预防皮肤癌的随机对照试验的退出进行了初步分析。我们计算出的比率可以帮助计算未来研究的样本量。我们进行了敏感性分析，帮助我们发现异常值并确认不存在发表偏倚。此外，子组和元回归分析使我们能够理解参与者的损失是如何被不同的预测因子修改的。

我们综述的主要限制是来自其他数据库的非英语记录的潜在文献可能已经丢失。此外，我们的结果可能受到纳入研究中实验干预的异质性的制约。一些研究比较了没有干预的数字策略，所以我们不能断言这些群体的辍学可能与外部因素有关。由活跃比较组分类的亚组元分析的证据应谨慎解释，因为所分析的研究数量较少;需要进一步的研究来获得有力的证据。由于作者提供的关于退出原因的信息很少，我们无法提出针对性的建议来提高这种RCT的留存率。

本系统综述和荟萃分析计算出参与者的总合并退出率为9.5% (95% CI 5.0-17.5)，在计算旨在使用数字健康干预措施预防皮肤癌的随机对照试验的样本量时应考虑这一因素。尽管数字策略的合并退出率略高，但基于or的元分析与比较组没有显示出显著差异。我们对按数字干预和比较干预分类的亚组进行的元分析没有显示出显著的统计学差异。年龄、性别、干预时间长度和样本量都没有改变效应量，因此它们不是退出的调节因子。我们强调有必要遵循指导方针，并将参与者退出的数量和原因的报告标准化，因为这将是设计成功计划以减少分析数字方法预防皮肤癌的研究中参与者损失的唯一有效方法。