使用移动健康平台开展干预研究的成本和努力考虑:实用案例研究

简介

在过去20年里，人们对将移动技术整合到研究中的兴趣呈指数级增长，特别是作为收集实时观测数据和干预结果的一种手段[1］．一个更新但同样在增长的研究领域涉及即时适应性干预(JITAIs) [2]，使用通过移动/可穿戴设备收集的数据，如症状和行为，以确定实时提供个性化干预内容的合适时机。

这些日益流行的技术为移动医疗(mHealth)平台创造了一个蓬勃发展的市场，这些平台旨在聚合移动应用程序数据，提供干预内容，并观察结果。例如，开源的AWARE框架是一个Android平台，旨在解决在移动设备上创建上下文感知应用程序时缺乏开放和可重用软件的问题[3.］．同样，疾病和复发远程评估基地是一个可扩展的、功能齐全的远程物联网数据收集平台，用于实时遥感数据收集[4］．这样的平台允许临床医生和研究人员收集(1)生态瞬时评估(EMA)数据，例如，在移动或可穿戴设备上收集的主动自我报告调查;(2)来自外部设备的传感器数据，例如由Fitbit等腕戴设备收集的数据[5]或像Withings睡眠分析仪这样的床垫传感器[6];(3)直接从参与者的智能手机收集的传感器数据，包括步数、全天的地理位置数据等。

临床研究人员寻求将移动应用程序数据整合到他们的研究或实践中，要么提供干预措施，要么监测现有的干预措施，他们有大量的选择。然而，很少有应用程序包含所有这些功能，如果没有特定的技术和实现知识，大规模实现这些应用程序可能会出现问题。4，7］．如果有人希望学习这些技能，关于理解建立这些研究、构建新功能和评估这些研究问题的技术解决方案的可行性所需的实用过程的文档有限。此外，对于许多临床研究人员来说，这是一个超出他们专业领域的决定。一个错误的决定会极大地影响实现既定研究目标的可行性。事实上，尽管有一些移动健康平台，但从技术和实施的角度来看，很难找到将干预目标与技术能力相结合的指导，这对使用这些工具的研究人员来说是有价值的。

为了对这一知识体系做出贡献，本文描述了使用我们开发移动健康平台Intui的经验所涉及的编程过程。移动健康平台的描述特别侧重于与卫生服务和临床研究人员相关的决策和选择，包括程序、成本和努力，以及产品和项目层面的设计选择。为了进一步说明这一点，我们展示了这些过程的软件结果，即Intui适应行为激活治疗环境的一个实际示例，为我们的程序增加了实践深度和细节。

方法

材料

Intui平台:设计决策和功能

Intui平台是一个可配置的基于云的服务，旨在支持移动健康数据收集和干预研究(图1)．该平台的4个核心软件元素是:(1)供参与者使用的Android和iOS智能手机应用程序;(2)轻量级云功能，也称为微服务，以独立和大规模的方式处理应用程序和仪表板中提供的可重用功能需求，例如安全、用户管理、通信、数据管理和数据分析;(3)临床医生-研究人员管理研究参与者和数据的基于网络的数据仪表板;(4)亚马逊或谷歌数据中心的云存储。

应用程序和仪表板用户界面是在一个跨平台的应用程序开发框架Ionic中实现的，它允许我们创建和实现模块化组件，这些组件可以根据需要在多个项目中重用。Ionic还支持轻松集成第三方插件，可以快速开发新功能[8］．对于后端功能和数据存储，使用谷歌和Amazon云服务，因为它们易于扩展，并且能够将多种编程语言实现的功能集成为微服务。

‎ 查看此图

研究设计及启动

在Intui平台内启动一项新研究的过程由三个部分组成，由Intui平台软件开发团队指导:(1)设置数据托管，(2)配置Intui以满足研究特定需求，以及(3)开发和实现任何定制的研究组件。

数据托管设置

数据托管的设置首先由Intui软件开发人员准备研究特定的数据库。在Intui平台的设计中，每项研究都有一组单独的数据库，一组用于存储未识别的研究数据，另一组用于以加密格式安全地存储可识别个人身份的参与者详细信息。这为一项研究与另一项研究之间的数据隔离提供了保证，这是出于隐私和道德方面的考虑，稍后将详细讨论。在这个阶段，一个独特的研究代码也会为注册的临床研究人员生成。

一些具体的配置

一旦托管设置完成，注册的临床医生-研究人员将收到一封欢迎电子邮件，其中包含访问基于web的数据仪表板的详细信息，以及与使用应用程序的潜在参与者共享的研究代码。研究人员还可以使用数据仪表板执行管理功能，例如邀请参与者、删除参与者、下载数据、查看摘要统计数据和监控研究进展。

根据每个研究的独特需求，Intui软件开发人员提取特定于研究的配置。这些配置定义了包括Intui平台的现有功能和组件，以及在研究设计中运行所需的任何参数。对于低复杂度的研究，这包括对手机传感器数据和外部设备传感器的数据收集要求，具有分支逻辑的EMA问题集的定义，以及与建议数据收集相关的研究长度和提醒时间等协议细节。

开发和实现任何定制的学习组件

高复杂性的研究通常涉及自定义研究组件的实现。这些组件可能包括用于提供干预的应用程序用户界面(UI)元素，定制的数据收集功能，以及用于处理更复杂研究设计的功能逻辑需求的微服务实现。Intui软件开发人员与研究人员一起定义、设计和实现这些组件，或者集成由第三方开发的组件。这种灵活性允许研究人员对更复杂的研究设计方面保持完全的软件开发控制。

此外，可能还需要开发包含视觉元素(样式和显示)、数据(显示的内容)和逻辑(需要存储的内容和任何条件功能)的UI组件。这些可以由Intui平台开发人员或外部开发人员设计。一旦UI组件原型可用，Intui平台开发人员将该组件集成到Intui应用程序中，并发布包含所有新增功能的应用程序的更新版本。

当一项研究完成启动过程后，Intui软件开发人员与研究人员合作进行短期技术试验。试验阶段在参与者招募之前验证研究的功能组件和配置设置。技术飞行员确保收集了正确的数据，并正确实施了研究设计，以降低由于技术故障而导致参与者退出的风险。

措施

EMA交付

Intui mHealth平台的设计允许管理各种EMA问题类型，并定制问题流和时间。对于每一项研究，EMA问题集都是在特定于研究的配置中定义的，问题交付的时间表是在Intui平台的研究协议微服务中设置的。EMA问题类型可以包括数字滑块、李克特量表、单项选择(例如，是/否)、多项选择和自由文本输入。分支逻辑可用于设置显示问题的条件。例如，如果应用程序自我报告睡眠不佳，可能会出现一个额外的问题，要求提供进一步的信息，以区分入睡困难。

传感器的措施

通过Intui收集的传感器数据类型和来源基本上是无限的。传感器可以在应用程序编程接口(API)级别和通过手动数据输入方法与Intui集成，例如，参与者输入来自模拟医疗设备的结果。

过程

参与新员工培训

研究参与者被邀请从各自的Apple-iOS或Google-Android应用程序商店下载Intui应用程序。参与者使用提供的学习代码在Intui应用程序上注册。唯一的研究代码可以在应用程序中实现特定于研究的配置和功能，也可以用于链接或隔离参与者数据。例如，一项研究可能需要使用患者应用程序，将数据输入临床医生的仪表板。在这种情况下，临床医生被分配一个唯一的研究代码，他们提供给参与者，从而将多个患者应用程序链接到单个临床医生的仪表板。这确保了只有经过授权的临床医生才能访问与他们的研究代码相关联的患者信息，保持了数据隔离。

EMA数据的收集

管理ema的时间安排可以基于时间条件、事件条件或答案条件时间表。与时间有关的计划在一天/一周的预定时间(例如，调查在每周一下午2点发送)或在可能的时间范围内(例如，将提示设置为在上午9点到下午3点之间的某个时间发送)进行配置。事件条件调度可以根据收集到的数据中的特征、趋势或阈值(当事件X发生时，推动Y)提供量身定制的提示。事件条件调度可以响应主动数据(当记录到自我报告的阈值或在几天内观察到趋势时)或被动数据(如到达特定位置，通过智能手机的GPS传感器报告)。应用程序中提出的问题类型和提供这些问题的时间表可以根据每项具体研究的要求进行定制。此外，问题的出现可能会有条件地基于对之前问题的回答(例如，如果回答是A，就问B)。例如，如果应用程序中自我报告睡眠质量差，则可能会出现一个额外的问题，要求进一步的信息，以区分入睡困难。

EMA问题集是在特定于研究的配置设置中定义的，问题交付的时间表是在Intui平台的研究协议微服务中为每个研究设置的。

JITAIs的交付

实时访问数据对于JITAIs的实现至关重要，开发必要的UI组件来支持该实现也是如此。外部和内部程序员都可以通过Intui中的安全数据RESTful api实时访问收集到的数据。这可以促进快速和协作的干预开发，因为程序员可以在任何环境(Python, R-Studio, Java, JavaScript)中对处理数据的方法进行原型化，并将算法作为独立的应用程序(微服务)运行，这些应用程序使用相同的Intui数据库读取数据并存储处理后的结果。程序员还可以使用Intui API，该API可以控制向用户的推送通知，并设置提醒以访问应用程序中的干预措施。这些干预措施可以包括推送通知中的简短文本、应用程序中的多媒体内容或一组EMA问题。

用于持续分析的数据提取

收集的参与者数据可以随时从临床医生-研究人员仪表板或使用Intui API下载。临床医生-研究人员可以随时从数据仪表板下载CSV格式的数据进行离线分析。另外，可以实现单独的数据分析应用程序，通过api以编程方式实时读取和处理收集到的研究数据，并启动研究功能(例如，向参与者展示新内容或消息)。

与研究设计无关的考虑因素

支持

研究人员有望在研究期间得到Intui平台开发团队的稳定支持。由于每月的支持和维护费，研究人员(和研究参与者)可以提交错误报告，并在合理的时间框架内获得支持和解决，以确保他们的研究持续不间断地进行。Intui平台开发团队包括应用程序和云计算软件开发人员，他们持有拨款资助的项目职位，也在业内工作。这些开发人员以持续的方式与实验室一起工作在一个或多个项目上。

私隐及道德

研究人员需要与弗林德斯大学建立使用Intui平台的协议，该协议将概述Intui开发团队和研究人员之间托管和共享数据的条款。Intui应用程序收集的所有数据都转移到两个数据库中并存储在两个数据库中，以降低潜在的数据安全漏洞的影响。个人身份数据(例如，用于注册和登录的姓名、电子邮件地址)存储在Amazon Web Services数据中心的加密用户管理数据库中。在研究中收集和使用的数据，如问卷/调查数据和被动数据流存储在谷歌Cloud Firestore上。由于通过位置数据坐标识别个人的可能性，所有原始位置数据在离开手机之前都被加密，并在存储到数据库期间以人类无法读取的格式保持加密。

成本和工作量

为了提高透明度，我们提供了以下与以前项目相关的澳元(AUDs)示例数据。使用的汇率如下:1澳元= 0.72美元。简而言之，设置成本取决于研究所需的功能，应用程序所需的相关软件开发工作，以及功能性数据库所需的任何后端开发。这进一步受到项目的复杂性、持续时间和参与者数量的影响。

一项利用现有功能和组件的低复杂度研究需要12小时的标准Intui平台研究设置工作，对于本文中的示例，每小时的成本大约为100澳元，总共为1200澳元。这包括对研究设计的建议和与团队协商以确定研究要求。对于人数不超过2000人的研究，与技术支持和维护工作相关的基准费用为每月3小时(约300澳元)。

除了这些人工时间外，基础设施成本，如数据托管和云服务，对于不超过2000名参与者的研究，每月分配的费用最低为100澳元。无服务器环境的基础设施成本通常很难预估但这里是基于打印时(2021年)的谷歌云平台托管成本。免费信用等级可能会影响基础设施成本，例如，云功能免费层每月200万次调用，Firebase免费层每天5万次读取和2万次写入。这里设置的基准分配用于覆盖应用程序引擎用于存储、日志记录和读取操作的谷歌云资源，或者在大量使用的日子，云功能和Firebase的使用量超过免费层级别;但是，在任何项目的早期阶段都应该密切监测这一点，以调整冗余使用，并确定大规模的基础设施成本节省。

在一个涉及简单研究的实际示例中，在一项为期6个月的观察性研究中，使用Intui收集第三方设备数据，调查高危青年人的心理健康与设备数据之间的关系，总成本为3000澳元[7］．在这项研究中，参与者在他们的手机上安装了Intui应用程序，提取每天的活动时间，被动地记录活动时间，并对参与者的情绪、睡眠和饮食习惯进行EMAs处理。

更高复杂性的研究需要花费时间和精力。在这种情况下，复杂性可以包括开发和集成自定义UI元素，开发和确保高质量的微服务集成(可以处理自定义干预逻辑)，或者任何其他需要在更基本的工作示例中概述的时间之外进行大量工作的请求。本文后面介绍的案例研究提供了一个与更复杂项目相关的成本的良好示例。在研究进行期间，研究设计和数据收集的变更也可能产生额外的费用，技术上称为变更请求。超过2000名参与者的研究每月会产生额外的费用，以满足更广泛的支持、维护和基础设施需求。

结果

应用程序实现使用Intui

为了使这些考虑不那么抽象，我们演示了如何使用Intui平台来实现一个支持行为激活(BA)干预的应用程序。BA是一种基于证据的技术，主要用于管理抑郁症状。BA的目标是增加参与行为，促进愉悦感和掌控感[9］．这项技术要求参与者准确记录一段时间内所进行的活动，并报告他们在进行活动时的情绪。这项技术的目标是让参与者学会识别和安排愉快的和以掌握为导向的活动。然而，依从性是这种治疗方法的一个公认障碍，很少有参与者完成规定的方案[10］．

我们在Intui平台内实现了一个BA应用程序，具有自适应干预措施，以减少监测和规划的负担(图2)．这是通过调整现有成分和开发两个新的干预成分来实现的:(1)轻推干预，以提高回忆、计划和自我监测的依从性;(2)机器学习辅助活动规划。

‎ 查看此图

研究设计及启动

数据托管设置

我们在谷歌Firestore上配置了一个研究专用数据库。用户报告的数据存储在同一研究数据库中，推荐的活动也从同一研究数据库中提取。此外，我们将应用程序配置为每隔几分钟收集一次位置坐标，并将其存储在研究数据库中。我们使用了一个安全的数据API来读取和写入研究数据库。接下来，我们实现了2个基于互联网的算法(如下所述)来读取和写入研究数据库，以运行2个实时干预组件。

一些具体的配置

Intui中预先存在的EMA组件，以及应用程序和仪表板的大部分后端和UI组件，都被重用或改编为这个项目。

开发和实现任何定制的学习组件

BA应用程序使用实时数据提供了2个干预组件，即轻推以提高回忆和自我监测的依从性，以及机器学习辅助活动规划。这些介入成分是专门为这项研究设计的，它们对研究的成功至关重要。除了算法开发之外，自定义app UI日历元素、app UI位置上下文细节元素的实现和开发，以及处理推荐算法逻辑的微服务实现以及位置聚类算法也对开发工作做出了重大贡献。

干预措施的发展

第一个干预组件旨在增强用户检索以前经历过的活动和情绪的能力，作为自我监控的一部分。它通过推送相关空间和行为线索来实现这一点，包括推送通知和应用内部线索，以一种可预测的方式改变用户行为，但不会特别禁止任何选项或产生消极影响。11］．通过应用程序中的日历或列表视图界面，用户可以详细记录自己过去的活动和相关情绪。当用户在日历中单击某一天或某一时间的活动条目时，从手机位置和使用数据中挖掘出的上下文线索就会显示出来。提示显示为视觉元素(图2)，对应于用户所在的位置(源自位置数据，如下所述)、正在进行的活动(源自运动传感器数据)和环境(该位置的天气);所有这些都是可能的，因此有助于更准确的回忆[12，13］．

为了提示用户在记录数据时更准确地回忆起他们的活动和情绪，我们在每日日历视图中以竖条的形式显示了访问过的地点。每个柱状图显示了一个参观地点的开始和结束时间(图2-3.)．当点击该工具条时，用户可以看到地图和每个地点的详细信息，包括精确的开始和结束时间。这些竖条是每天生成的，使用k-means聚类算法的结果，该算法设置在午夜运行。该算法的工作原理是从手机传感器收集的连续的位置坐标流，将它们聚类为位置，然后输出为访问过的地点列表。每个地点的开始和结束时间的条目，以及标记为访问地点的集群中心GPS点被输入到数据库中。一旦用户确认他们所完成的活动类型，他们就会被要求通过一份简短的问卷(图3)．

第二个干预组件旨在通过从用户的自我监测数据和具有类似行为模式的其他用户的数据中学习，提供个性化的活动建议来协助计划活动。计划器界面显示了从先前记录的活动和随机活动的混合中提取的活动推荐的排序列表(图2)．用户选择一项活动，并安排在将来什么时候进行。通过双线性模型处理用户对建议活动的响应及其评价，以优化未来推荐的排序顺序[14］．随着时间的推移，推荐界面会对反映长期用户偏好的活动进行更高阶的排序，从而对排名顺序列表进行个性化;也就是说，那些能带来更好情绪结果的活动是最有可能完成的。

为了确保活动建议是针对用户环境进行个性化的，计划器视图中显示的活动顺序是根据过去的数据动态排序的(图3)．为了实现这一点，我们实施了线性置信上限算法，在探索可能同样或更有回报的新选项时，它会衡量获得最多奖励的活动(根据情绪和完成的可能性);这在BA的背景下是一个非常重要的考虑因素，在这里目标奖励反应是至关重要的[15］．该算法从过去的数据条目和使用所有用户前8周数据训练的批处理模型中获取用户的活动偏好，并输出一个活动排序列表，以帮助用户优先考虑可能奖励他们的活动。第二个微服务计划在8周之后的每天午夜刷新批处理模型。

‎ 查看此图

成本和工作量

这些算法是用Python实现的，并作为独立的微服务在Ubuntu实例上运行。这项工作由一位具有数据科学和Python编程背景的研究助理独立完成。存储算法结果的规范由平台开发人员制定。此外，这些平台开发人员设计并实现了UI元素，将这些算法的输出整合到临床医生-研究人员仪表板中。该案例研究在62小时内完成(6200美元，每小时100澳元)。

讨论

主要研究结果

临床医生研究人员试图将移动应用程序数据整合到他们的研究中，要么提供干预措施，要么监测现有的干预措施，他们有太多的选择。从开发Intui的整个过程和本研究中概述的案例研究可以看出，临床医生-研究人员在着手进行这项研究时必须考虑到的因素是广泛的。然而，Intui只代表了设计、开发和实施这些工具的一种方法，无论平台是什么，都需要考虑临床研究人员及其团队的能力，以满足支撑这些平台在其背景下成功的后勤和技术要求。

生态研究，特别是纵向研究，往往需要广泛的基础设施和信息技术支持，需要仔细规划，以确保高质量的发展、实施和维护[16］．极其细粒度数据的存储、接收、分割、分析和呈现的频率也是一个可以被低估的挑战，从而影响了平台用于多种研究结果的能力。所有这些决策都极大地影响了交付项目的可行性，如果没有非技术背景，很难计划和成本，并且可能限制或实现项目的可能性。事实上，这对于提供支持至关重要，我们已经将其整合到Intui的运营中，这是不可协商的。

这些问题并不局限于我们在开发Intui和支持使用它的试验方面的经验;事实上，成本和努力——包括前期和机会成本，由于学习新工具的时间损失——培训和支持，被de grord和同事在他们对医生采用电子医疗技术的范围审查中列为有先见之明的问题[17］．开源项目声称在许多方面解决了这些问题，即通过共享软件的基本框架来实现字面上的透明度，以供所有人仔细检查[18］．在WebMD自我诊断的时代，我们确信，我们的医疗受众几乎不需要说服，只有当受众能够理解、背景化和批评它时，开源数据才会导致实用主义类型的透明度[7，19，20.］．从同样的意义上说，保健消费者最终有理由反对医疗把关及其可能造成的伤害[7，19]，医疗专业人士完全有权利质疑软件开发商和技术公司在电子健康方面的权威和霸权，特别是考虑到这些软件包的质量有时值得怀疑[21-23］．然而，这两种情况的解决方案都处于中间立场;解决方案可以通过透明合作的新模式和培养能够以自反性和持续的方式参与这些数字现实的关键受众来制定[7，20.，24］．在本文中，我们希望通过对Intui开发和运营所涉及的成本、努力和流程的深入了解，为这一关键受众的发展做出贡献，并在更广泛的意义上为移动医疗平台开发和运营提供更透明的规范。

结论

使研究人员能够快速实施移动数据收集和干预研究，最终可以增加对循证行为和心理健康干预措施的理解和获取。基于涉及我们自己平台的案例研究和批判性反思，本文概述了那些希望从事这些技术的人的一些实际考虑。在这一领域的成本、努力和支持方面提高透明度，只会使这些有益的方法得到广泛使用，并建立临床医生对这些工具的信心。