基于可穿戴设备的奖励计划对医疗保健成本的影响:回顾性，倾向评分匹配队列研究

介绍

在美国和世界各地，慢性疾病是导致死亡、残疾和过度医疗支出的主要原因之一。大约60%的美国成年人至少患有一种慢性疾病，占美国每年4.1万亿美元医疗支出的90% [1]。个人自我管理被认为是预防和管理高成本、高发病症和疾病(如糖尿病和高血压)的关键组成部分[2-4]。

积极参与护理活动，如自我监测、预防性筛查和改变生活方式，可提高自我效能，并加强对健康的重视。此外，自我管理通过促进持续的协作和对医疗保健目标的支持，缩小了结构化、患者与提供者之间的互动差距，最终减轻了医疗保健系统的压力[5]。

尽管可扩展性在实践中被认为是一个关键的挑战，但以人为本的方案是根据个人偏好、健康状况和生活环境量身定制的，这对这些护理模式的成功至关重要[6]。

移动医疗(mHealth)技术通常被吹捧为一种易于获取且具有成本效益的解决方案，可大规模支持人群层面的健康行为改变干预措施[7]。数字平台、可穿戴设备等连接设备和移动健康应用程序允许在日常生活条件下连续收集真实世界的数据。这些信息与自我报告的数据相结合，可以利用基于证据的行为改变技术，为个性化的及时干预提供见解[7-9]。奖励或激励可以促使关键行为(如体育活动)发生渐进式、有益的变化[10]。

尽管取得了令人鼓舞的结果，但在文献中发现的已知差距限制了移动医疗的广泛采用。干预成分和硬临床结果被严重低估，大多数试验持续时间短，这就对持续参与的可能性、行为改变和关键结果的持久性提出了质疑。11，12]。最后，大多数第三方供应商缺乏对个人医疗保健支出的洞察力，因此使此类计划的成本效益难以量化[13]。

本研究探讨了健康计划赞助的数字健康干预(DHI)对1年内经济结果的影响。简而言之，DHI是一款基于激励的移动应用程序，它根据人口统计数据、医疗和药房索赔以及客观测量的可穿戴传感器数据，提供基于证据的个性化健身和健康教育。假设与倾向分数匹配的健康计划成员的对照队列相比，参与DHI的用户将有更低的医疗支出，这些健康计划成员有资格但没有使用DHI。

方法

研究设计

本研究采用倾向评分匹配、两组和前后观察设计。回顾性的人口统计和行政医疗和药房索赔数据被确定、汇总和分析，以确定DHI对医疗保健总支出和医疗保健使用趋势的影响。索赔数据包括诊断、程序、实验室结果、护理地点、提供者信息、服务费用和药物标识符。索赔数据还包括以医疗病例、发作治疗组、慢性疾病标志和预测风险评分形式汇总的上述信息。

在健康保险登记期间收集的人口统计信息包括自我报告的性别、年龄、种族、民族、计划福利细节、地点和人口普查区统计。请注意，药房索赔数据仅适用于药房福利管理人员与健康计划之间签订了数据共享协议的参与者。

伦理批准

Sterling机构审查委员会根据45 CFR 46.104(d)(4)审查并批准了该研究(#9882)作为豁免研究。此外，还获得了《健康保险流通与责任法案》关于使用和披露汇总的、未确定身份的成员数据的授权的豁免。没有提供赔偿。

参与者

所有的研究参与者年龄在18岁至18岁之间，并且是商业健康计划的参与者，其福利结构包括获得DHI。所有符合条件的DHI成员都可以通过直接邮件和电子邮件外展、数字渠道(如付费搜索、付费社交和程序化)、网站(通过搜索引擎优化)、媒体、短信、雇主(即计划发起人)对符合条件的员工的内部推广、基于现有偏好的其他渠道(如公开注册材料、健康福利网页和应用程序上的“下一个最佳行动”、呼叫中心脚本、和药品包装上的标签)，或口口相传。所有DHI用户都自愿加入该计划，并在首次登录应用程序时同意条款和条件。大约有800万人参加了DHI，其中56,816人是在项目报名期间报名的。

纳入标准包括:(1)在整个研究评估期间(如2019年5月至2020年10月)持续符合健康计划资格，(2)在加入DHI之前至少有1年的行政索赔数据(即“入伍前”)，以及(3)在入伍后有≥7至12个月的行政索赔数据(即“入伍后”)。不符合纳入标准或年龄<18岁的潜在受试者被排除。

干预组包括DHI用户，他们自愿加入该计划，并至少有一个参与接触点。对照组包括商业健康计划成员，他们在同一研究评估期间有资格参加DHI，但没有参加。值得注意的是，如果参与者参加了其他可能重叠的计划赞助项目，则不会被排除在外，但这些信息被编码以确保倾向得分匹配的组尽可能相等。

干预描述

DHI是一款基于可穿戴和智能手机的移动健康应用程序，仅供2019年5月以来提供的大型商业健康计划的成员使用。DHI结合了行为经济学、来自连接的可穿戴设备的用户生成传感器数据和索赔历史，为每个用户创建个性化的、基于证据的建议。用户生成的数据——从可穿戴设备、手机和自我报告中检索——包括心率、身体活动(例如，步数、爬升的航班和估计的卡路里燃烧)、估计的睡眠质量、自我报告的健康相关措施(例如，营养、正念活动、运动类型、身高、体重、调查回复和血压)，以及从具有数据共享权限的第三方应用程序收集的健康相关数据。个性化的每日和每周信息通过智能手机应用程序发送，结合了非专业教育文章、简短简报和基于视频的消息。

人口健康指数的主要目标是让用户参与到自身健康中来。通过这个项目，奖励被用作奖励，这些奖励可以兑换成联网的、与项目兼容的可穿戴设备或礼品卡。用户通过完成每周运动目标获得奖励;完成客观可验证(即裁决)的体育活动挑战;在app中回顾围绕体育活动、营养、正念和睡眠这四大生活方式行为支柱的教育内容;或者根据用户的人口统计和健康史完成推荐的临床行动(在应用程序中称为“健康行动”)。健康行动的基础是完善的、以证据为基础的人口健康准则(如美国预防服务工作队)[14]，疾病控制和预防中心[15]、美国心脏协会[3.，16]，美国运动医学学院[17),等等)。健康行动侧重于一级和二级预防，包括告知用户可在何处接种流感疫苗或如何参与相关筛查或调查。每个用例都包括教育内容，这些内容加强或参考了面向非专业受众的公开健康教育，并由内部医疗主任小组批准。所有DHI用户的健康行动平均完成率为90%，平均用户满意度为80%。

DHI利用几个完善的健康行为理论结构来为项目干预组成部分提供信息[7，12，18]，包括社会认知理论和健康信念模型[17]。社会认知理论的核心是自我效能的概念(即相信自己能够成功地完成一项任务)。利用目标设定、生理反馈、强化和共同干预(即奖励和激励)等行为改变策略，培养积极的结果预期，使用户将奖励与行为“联系”起来，从而增强自我效能感，促进持续的行为改变[17]。健康信念模型假设，如果成年人认为他们处于危险之中，并且与健康有关的行为改变将有效地影响他们的风险，那么他们最有可能参与与健康有关的行为改变[12，17]。因此，人口健康指数通过提供循证、来源可靠的健康教育，成为值得信赖的指南;克服可能障碍的策略;以及个性化、相关和及时的信息，以促进知情的卫生保健决策。

统计分析

采用回顾性、倾向评分匹配队列方法来估计在DHI中入伍的因果效应。倾向评分匹配是减少无法采用随机对照试验设计(例如大多数计划资助的DHIs)的研究中固有的潜在选择偏差和混淆变量的最佳方法[19]。训练了一个集成模型来预测在符合条件的人群中加入DHI的可能性。用于预测注册的特征包括人口统计特征(如年龄和性别)、健康计划细节(如全保与自保以及覆盖类型)、沟通接受度(如会员对电子邮件、短信和提供应用内通知的许可)、医疗和药房使用情况(如诊断代码、程序代码、住院就诊和急诊就诊)以及慢性疾病(如高血压和糖尿病)。对于干预组，选择DHI入伍日期前1年的窗口作为特征窗口。对于比较队列组，采用迭代过程。

为每个月的用户粘性创建功能，分配匹配，然后为下个月的注册用户指定不匹配的比较。为了进一步平衡干预组和比较组，根据自我报告的性别、药房数据可用性和健康计划类型(例如，完全保险与自我保险)在队列的特定部分中分配匹配。采用迭代最近邻法将对照组的成员与干预组进行匹配，达到1:1匹配。匹配后，通过检查组间在几个特征上的差异来确认组间的平衡，这些特征包括人口特征、位置(如城市、郊区或农村邮政编码)、与其他健康计划项目(如护理管理和会员宣传项目)的重叠、会员风险(如预测使用分数和慢性病数量)、入伍前期间的急性医疗事件(如住院和急诊室就诊次数)、基线绝对医疗和药房使用(专有的;数据未显示)。在这些因素之间没有观察到显著差异。

索赔数据用于计算干预组和比较组的每个成员在入伍前后期间每个用户每月的平均医疗和药房支出。如果医疗保健支出被认为不受影响或与怀孕有关，则将其排除在分析之外。非影响支出使用专有的诊断相关组模式进行评估，该模式考虑了与住院患者或非急性设施访问相关的诊断和程序代码。在入伍前和入伍后，个人医疗保健支出总额的上限均为第99个百分位数。平均每月开支的差额计算为入伍后的每月开支减去入伍前的每月开支。双尾配对t使用测试来测试每个人群中入伍前和入伍后时期之间的差异。双尾未配对t使用测试来探索干预组(即DHI)与对照组之间的差异。统计学显著性定义为P< . 05。

成本分类分析是通过将医疗费用细分为以下子类来进行的:急诊科、专科、心理健康、住院、放射科、初级保健、门诊、实验室、家庭保健、医疗药房和其他药房。根据纽约大学急诊科就诊算法，急诊科入院被进一步分类为“紧急”或“非紧急”，这是最广泛使用的工具，用于回顾性评估急诊科就诊是紧急的、可预防的或在急诊科根据行政索赔数据得到最佳治疗的可能性。20.]。

结果

表1详细介绍了倾向评分匹配前后干预组和对照组的基线用户特征。在配对之前(与配对队列相比)，DHI使用者更可能是年龄较小的女性，慢性病较少，ED和住院次数较少。倾向评分匹配后，对照组表现出与dhi入组人群相似的基线特征。平均而言，纳入的总样本人群(N=113,632)由中青年(平均年龄38.81岁)组成，主要是白人(N= 55,562，平均年龄48.90%)、男性(N= 46,731，平均年龄41.12%)和女性(N= 66,482，平均年龄58.51%)，其中35.66% (N= 40,519)至少患有一种慢性疾病。

计算了入伍前后医疗和药房索赔的医疗保健支出的平均和相对变化。在基线时，两组的支出(P= .89)。在入伍后期间，对照组的平均支出没有变化(平均变化为2美元，95% CI - 3美元至7美元;P= 0.44)，而支出则有所下降(PUPM为- 8美元，95%置信区间为- 13美元至- 2美元;P=.04)的DHI使用者的差异为10美元的PUPM(95%置信区间为2美元至18美元;P= .02点;图1）.

为了更好地说明保健费用总体下降的特点，在入伍前后的同一时期，按医疗支出类别对费用进行了分析(表2）.值得注意的是，ED、专科和精神健康相关的医疗支出明显减少。值得注意的是，与初级保健相关的支出有增加的趋势;然而，这并没有达到统计学意义(P= .09点)。

‎

讨论

主要研究结果

本研究旨在探讨基于激励的移动医疗干预与可穿戴集成对1年内医疗保健成本的影响。正如假设的那样，与倾向评分匹配的队列相比，DHI使用者的医疗支出约低10美元。考虑到这一点，在1年的时间里，这些节省相当于56,816名纳入研究样本的用户可避免的医疗保健费用约为680万美元。此外，DHI使用者在健康相关行为方面表现出良好的变化，包括减少使用高成本、可预防的服务(即非紧急急诊科入院)，减少与心理健康和专科就诊相关的支出。值得注意的是，与初级保健相关的支出有小幅增加的趋势(P=.09)，但这些结果无统计学意义。

对主要调查结果的解释

解释我们发现的机制可能是多因素的。其核心是，多组件移动健康干预结合了几种不同强度的自我管理技术，包括知识获取、提高决策技能(即，非紧急情况下的最佳护理地点)、刺激独立健康监测、药物依从性和生活方式行为改变[21]。考虑到这些微观干预措施的整体性，参与DHI的成员可能会因为单独的干预措施而获得超出预期结果的附加效益。此外，大多数(即60%)美国成年人至少患有一种慢性疾病，42%患有多种慢性疾病[22]。如果成员有多种条件，可以接受一种(或多种)共同干预，那么有益的结果可能会被“放大”。

观察到的非紧急急诊科入院人数的减少与卫生保健相关的运动直接一致，该运动告知成员可用于非紧急健康问题的适当替代护理地点类别(多媒体附录1）.同样，该DHI通过定期提示和提醒，不断加强成员与提供者之间的关系，以缩小保健方面的预防性差距。这一信息与调查结果一致，表明初级保健就诊的医疗支出略有增加。一个意想不到的结果是，DHI使用者在精神卫生服务上的平均花费比非DHI使用者少约1.7美元。关键的健康行为(即身体活动和药物依从性)可能转化为心理健康和福祉的临床有意义的变化;然而，这只是推测。

虽然本研究的目的不是探讨体力活动水平的相对变化对医疗保健费用的影响，但初步的事后亚组分析揭示了这种影响的信号。在使用DHI的过程中，平均每日热量消耗增加至少50千卡的参与者中，与倾向得分匹配的对照队列相比，观察到医疗费用减少了约39美元(PUPM)。P<措施)。同样，事后分析也揭示了参与项目与不同程度的医疗成本节约之间的相关性。这些发现很有希望，值得进一步探索哪些杠杆(例如，参与、教育、体育活动和预防性保健提醒)最有可能影响医疗保健支出，以及对谁有影响。

限制

本研究有一些值得注意的局限性。这项研究推断，成本节约是由求医行为的改变所驱动的。尽管这些发现具有统计学意义，但本研究并不是为了探索明确的因果关系而设计的。随机对照试验是衡量干预措施因果效应的黄金标准方法，但不适用于健康计划赞助的福利[19]。回顾性观察比较研究是一种统计上有效的方法，可以检验低风险DHIs在大型异质人群中的实际有效性[23]。尽管受到选择偏差和混杂变量的影响，倾向评分方法允许干预前协变量的可比性和对报告结果中任何潜在混杂偏差的控制[19]。

选择用于分析的时间范围是在COVID-19大流行之前，并不反映成员在大流行后时代的行为。由于与covid -19相关的健康行为不断演变，因此故意将大流行后的数据排除在分析之外。然而，我们假设结果的性质将保持不变-并且可能是均匀的更大的在大小。事实上，最近的调查显示，健康对美国成年人来说越来越重要。24]，因此，在大流行前与后时代，DHIs的参与和结果(如本文所述)可能更优越。最后，在报告种族(82,168/113,632,72.31%)的研究人群中，大多数(55,562/82,168,67.62%)是白人。虽然有一些代表来自黑人或非裔美国人、亚洲人、阿拉斯加原住民或美洲印第安人、夏威夷原住民或其他太平洋岛民、其他和多种族人口，但这些数字并不能反映美国人口的多样性，也限制了这些结果的普遍性。目前正在努力改进种族和族裔数据的收集，这是促进卫生公平的关键下一步。

尽管存在明显的局限性，但本研究仍有几个优势。本研究是一项严格设计的回顾性、倾向评分匹配的队列研究，旨在探索113,632个地理上不同样本量的个体的医疗保健支出。本研究的一个主要优势是整合了在这些方法中通常未考虑的额外成员数据(例如，计划福利结构和重叠计划)。的确,t对最终倾向分数匹配组进行的测试表明，将混杂偏差最小化的努力是成功的。此外，关于行为改变和基于体育活动的应用程序的成本效益的研究也很有限。25，26]。

这项研究增加了对将移动健康连接的可穿戴设备与雇主或计划赞助的激励措施相结合的影响的评估。对索赔数据的访问丰富了可以得出的结果，包括不必依赖于模拟模型或估计的实际成本节约的量化。该DHI以循证实践为基础，并以健康行为理论结构和行为改变战略为依据。最后，研究队列是一个有代表性的人群，这种干预将被用于(即，大型商业健康计划的成员)。随着可穿戴设备的使用及其功能的不断发展，这项研究强调了通过将移动健康连接的可穿戴设备与雇主赞助的激励措施和付款人数据相结合来取得成功的早期指标。

未来的研究

未来的研究将阐明这种或其他类似的DHIs用户所表现出的医疗支出减少的机制基础，这将具有重大的公共卫生利益。与此相关的是，确定DHIs对以患者为中心的结果和其他与健康相关的益处的影响，将使研究人员能够充分评估整体健康的投资回报。此外，预测模型的发展可以潜在地加强对常见心血管和行为健康状况风险的早期识别。虽然DHIs的目的不是诊断、治疗或替代提供者的建议，但早期发现潜在的疾病发作或恶化可用于为最终用户量身定制针对具体情况的教育推广。此外，研究人员已经做好准备，通过扩大对多个平台的访问，提供“自带设备”计划，解决健康的关键社会决定因素，并确保服务不足人群的公平获取，来扩大DHIs的覆盖范围。

结论

该研究表明，与倾向得分匹配的比较队列相比，这种基于激励的DHI相当于每位用户每年节省约120美元的医疗费用。这些研究结果表明，这种和其他类似的DHIs作为一种有效的策略，有望在很大程度上改善人口健康。