抑郁症是一种常见的、使人衰弱的精神疾病，据估计全世界有4.4%的人口受其影响[ 1］．由于缺乏知识、病耻感，有充分证据证明存在显著的治疗差距[ 2]，以及交通不便[ 3.］．即使充分提供既定的心理和药物治疗，据估计，只有50%的疾病负担得到解决[ 4］．抑郁症的症状损害日常生活功能，也可能损害个体坚持心理和药物治疗的能力。亚综合征抑郁症也很常见，也会造成类似的损害和影响[ 5］．亚综合征抑郁症患者发展为临床抑郁症的风险增加。这些发现强调了迫切需要在人群层面上制定新的和可获得的治疗和预防战略。

营养精神病学是一个新兴的研究领域，有可能提供这样的策略。这个领域研究的是饮食和心理健康之间的关系[ 6]并提供了大量的观察性证据，表明饮食质量与抑郁症风险相关[ 7- 9］．这一证据现在得到了干预研究的支持[ 10- 12表明干预改善饮食质量可以改善抑郁症状。两篇系统综述，一篇采用元分析[ 13， 14]的研究报告指出，饮食干预是减轻抑郁症状的有效辅助治疗。据认为，饮食质量通过肠道菌群影响免疫系统反应，从而介导抑郁症的系统性炎症特征。 15];然而，为了确定这些发现是否可以转化为可获得的人群级治疗和预防策略，需要进一步的大规模试验，使用能够广泛和具有成本效益的转化平台。

针对抑郁症患者的数字饮食干预有可能大规模推广，并吸引那些可能不通过传统渠道寻求治疗的人。有大量的证据支持抑郁症心理干预的数字化交付是一种可行的方法，可以覆盖这一人群。 16- 18］．数字干预措施有可能覆盖到孤立或资源匮乏的人群，可以在用户方便的时间和地点使用，并提供匿名性以克服耻辱;它们可能会吸引那些经历抑郁症状、不愿或无法通过传统渠道寻求帮助的人群。因此，基于网络的饮食干预——电子健康或移动健康(mHealth)——可能是进一步测试抑郁症饮食干预的一种具有成本效益和可扩展的方式。电子健康和移动健康饮食干预已被证明在有效性方面具有可比性，其效应大小为低至中等[ 19];然而，重要的是，这些干预措施与目标人群一起制定，以确保在干预措施设计中解决使用和改变的障碍。同样重要的是，传播战略应解决在获取(如电子卫生扫盲、获取技术)方面存在的潜在差距。

然而，尽管这些技术前景光明，但文献表明，它们尚未被成功利用来实现有意义和持续的健康行为改变[ 20.， 21］．为了发挥其潜力，数字干预措施需要解决有限的吸收、参与、坚持和高流失率的问题[ 22， 23］．在电子健康和移动健康项目中，超过50%的流失率并不少见[ 24- 27］．此外，文献中关于敬业度的概念化及其测量的方法并不一致[ 28， 29］．一份报告最近一项研究[ 28]，以理解和促进有效参与数字行为改变干预指出，概念化应考虑到技术的用户体验以及社会和治疗背景，并提出对参与的测量应包括定性反馈、自我报告问卷和系统使用数据日志。

传统上，基于web的干预的参与度是通过内容访问度量来衡量的，例如用户登录干预网站的次数或干预内容被访问的页面数量[ 30.， 31］．虽然这些是活动的有用指标，但它们不能详细说明用户是否对程序有足够的接触，或者接触的方式是否适合于消化所提供的材料或充分完成分配的任务。如果一个用户访问了所有的内容，但没有完成干预所需的评估，因此被认为是辍学生，关于原因，几乎没有什么结论可以得出。然而，如果分析强调用户只是点击内容，并没有在网站上花费足够的时间来正确地消费干预内容，那么他们的干预体验和实际参与水平就可以更好地理解。这些类型的测量(检查时间与访问或分析与干预功能的交互，如观看视频内容的时间，视频内容的退出点，在论坛上花费的时间，或系统内的消息传递)被定义为使用强度测量[ 31］．e-CONSORT指南[ 31]建议报告所有基于网络的干预措施的使用措施和使用强度措施，以提高出版物的质量以及对这些类型干预措施的参与和用户互动的分析。此外，根据干预结果分析这些类型的数据将能够对有效参与进行可靠的估计[ 21］．

了解参与者如何使用数字干预措施被认为是理解有限的吸收、参与、坚持和高流失率问题的关键[ 20.］．根据Eysenbach的定义，分析不使用人员的流失[ 30.，对于理解这些问题也很重要。这促使人们进行了更多的研究，以了解数字干预中的使用和不使用损耗[ 32， 33］．了解用户如何与数字干预互动(使用和不使用)可以帮助更好地衡量依从性和干预效果[ 23］．此外，症状的发展轨迹和抑郁症本身的经历可能会阻碍参与者坚持或参与数字干预的能力。了解使用模式和不使用减员可能有助于指导未来的干预设计，使其更适应症状的影响或更能吸引目标人群。

“我的食物和情绪”研究旨在为经历抑郁(包括亚临床)症状的人开发和优化数字(电子健康和移动健康)饮食干预。从2017年到2019年，“我的食物和情绪”研究在营养精神病学、行为改变、专家意见和消费者意见的证据指导下，开发了该计划的初始版本(我的食物和情绪计划1.0版)。本研究运用以用户为中心的设计原则，基于定性反馈、自我报告问卷、使用情况和使用参与强度测量的分析，对项目进行迭代优化。每个版本的项目都由目标人群中单独的队列进行试验。在优化阶段，制作并试用了3个后续版本(My Food & Mood program 2.1版、2.2版和3.0版)。这项研究是对“我的食物和情绪研究”期间收集的定量参与数据的分析。

主要目的是分析“我的食物和情绪”研究中所有4个队列的使用模式，以了解每个版本的用户粘性的定量差异，并确定哪个版本的程序具有最高的用户粘性和最低的不使用流失率。次要目标是在所有队列中确定预测活跃使用和不使用减员的因素。

“我的食物和情绪”研究是在2017年至2019年进行的。研究设计以“研究中的信息系统”框架为指导[ 34］．这项研究最初涉及针对抑郁症(包括亚临床)症状患者的基于网络的饮食干预计划的开发和测试。这导致了该计划的第一个版本(我的食物和情绪版本1.0)，于2018年10月至2019年3月(招聘轮1)由第1队列进行试验。随后的优化阶段在2019年6月至2020年1月(招聘轮2)的第二个(2.1版本)、第三个(2.2版本)和第四个(3.0版本)版本中运行，并由单独的队列(分别为2.1、2.2和3.0)进行试验。设计迭代的信息反馈和参与的分析，从以前的队列旨在优化方案。使用标准的软件开发版本控制方法来管理每个迭代。每个队列的参与者都可以使用他们各自版本的项目，为期8周。优化版本的可行性分析已在其他地方发表[ 35］．该分析检查了在“我的食物和情绪”研究中收集的定量参与测量，以查看每个版本的计划的使用和不使用减减率。

参与者是通过有针对性的电子邮件活动、在线广告和社交媒体帖子招募的。活动邮件被发送给食品和情绪中心潜在参与者数据库的成员，以及由精神和身体健康创新和临床治疗战略研究中心运营的社区和研究网络的成员。Beyond Blue还向“蓝色之声”的成员宣传了该项目，“蓝色之声”是一个有生活经验的社区，为精神卫生服务、政策和项目的发展做出贡献[ 36］．有针对性的广告被放置在Facebook广告上，社交媒体帖子通过食品和情绪中心的渠道传播。在Barwon Health的急性精神健康住院诊所分发了印刷的传单，并在食品与情绪中心的研究人员进行的社区演示中宣传了该计划。

透过招聘网站[ 37］．招聘材料和招聘网站都标有食物与情绪中心、身心健康创新和临床治疗战略研究中心，以及迪肯大学的标志。参与是自愿的，所有参与者在开始前都提供了数字同意。这项研究是根据《关于研究伦理行为的国家声明》进行的，该议定书得到了迪肯大学卫生学院伦理委员会的批准(文献14/SW/1127)。

筛查调查包括人口统计问题，关于技术获取和使用的问题，以及关于饮食自主权的问题。以电脑能力问卷(CPQ-12)评估电脑能力[ 38]，并使用Sick, Control, One, Fat, and Food (SCOFF)问卷对可能的饮食失调进行筛查[ 39］．采用8项患者健康问卷(PHQ-8)筛查抑郁症状。［ 40在第一轮招募中，符合条件的参与者完成了简单膳食问卷(SDQ)作为基线问卷的一部分。在第二轮招募中，地中海饮食坚持筛查(MEDAS)评估了地中海饮食的坚持程度[ 41］．

年龄在18岁以上且报告当前抑郁症状(PHQ-8评分≥5)的个体符合研究条件。没有互联网、电脑或智能手机的个人被排除在外;计算机素养较低(CPQ-12分<10);英语读写能力有限;不能遵循不同的饮食(没有饮食自主权);是否有进食障碍的风险(SCOFF评分≥2)。在第一轮招募中，如果参与者不在澳大利亚或美国，就会被排除在外。这一额外的标准是由于在这部分试验中使用的饮食回忆工具的可用版本。在第二轮招募中，已经遵循高质量饮食的个体也被排除在外(MEDAS评分>11)。

根据每次活动所需的时间计算，检测参与度改善所需的样本量基于初始程序设计(My Food & Mood 1.0版)。在这个项目中，6个模块需要15到20分钟的交战时间。假设参与时间的平均值为90分钟(SD 25)，每个队列的样本量为100名参与者，I型误差为0.05，该研究有80%的能力检测到每个项目版本的平均参与时间的10分钟或更大的改善。这相当于0.4的中等效应量。

使用Cox回归多变量生存分析分析不同使用周的不使用损耗率，使用使用周和编码生存变量。对感兴趣的基线特征变量进行单变量分析，以选择模型的协变量。选择的特征变量包括年龄、性别、招聘来源、BMI、教育程度、就业情况、计算机技能、计算机信心、基线情绪和饮食质量。重复Cox回归多变量生存分析，只包括积极参与者。通过比较使用Kruskal-Wallis的4个队列之间的中位数参与时间和使用结果强度(参与周数、总使用时间、关键活动总时间、登录次数、每次登录的平均时间、每个协议百分比、完成的目标、观看的视频百分比)来评估干预参与程度 H测试。

在两个时间点，共有614名成年人在网上被招募到4个队列中。参与者主要是女性(536/614,87.3%)和来自澳大利亚(443/614,70.5%)。在提供有效澳大利亚邮政编码(304/614,49.5%)的受访者中，79.3%(241/304)来自大城市，20.1%(61/304)来自地区，0.7%(2/304)来自偏远地区。大多数参与者都受过大学教育，生活在社会经济指数排名较高的地区。 表1介绍每个队列的人口学特征。年龄(χ²= 12.295, P= 0.006)基线PHQ-8 (χ²= 11.323, P=.01)，基线MEDAS重评分(χ²= 26.093, P<.001)。中提供了每一轮招聘的配对图 多媒体．

表2介绍了不同队列的参与测量的比较。队列3在大多数敬业度指标上的平均排名得分最高，包括敬业周数、总使用时间、关键活动总时间、会话数、完成活动的比例、完成目标和观看视频的比例( 图1- 4）.

Cox回归生存分析中每个队列的生存曲线见 图5．队列3(我的食物和情绪计划3.0版)的不使用流失率与投入周数相比最低。所有生存曲线都显示1周后的累积生存期(仍在使用干预措施的参与者的百分比)下降。积极使用的重要预测因素是健康从业者的转诊(危险比[HR] 0.344, 95% CI 0.179-0.660， P高计算机技能(HR 0.796, 95% CI 0.634-0.999， P= .049)。高计算机信心是不使用减员的显著预测因子(HR 1.511, 95% CI 1.111-2.056， P= .009)。没有其他变量是不使用减员的重要预测因素。

当只包括活跃参与者时，在所有干预版本中，健康从业者的转诊仍然是活跃使用的重要预测因素(HR 0.277, 95% CI 0.123-0.626， P= .002);然而;计算机技能被评为高技能则没有(HR 0.799, 95% CI 0.597-1.068， P= 13)。在该模型中，年龄也是活跃使用的一个显著预测因素(HR 0.987, 95% CI 0.974-1.00， P= .047)。计算机信心被评为自信仍然是不使用减员的重要预测因素(HR 1.604, 95% CI 1.065-2.437， P= 03)。

在针对情绪低落或抑郁患者的4个基于数字的饮食计划版本中，智能手机应用程序版本与最大的参与度和最低的不使用损耗率相关。这些结果表明，优化过程导致了在目标人群中提高摄取的计划的发展。分析还表明，如果参与者是由健康从业者推荐参加该项目，或者他们对自己的计算机技能评价较高，那么不使用的减员率就会降到最低。然而，有点矛盾的是，对电脑的高度自信是不使用的流失的重要预测因素。在活跃用户中(那些记录了使用程序时间的人)，我们发现老年人更有可能继续使用他们分配的程序。没有发现不使用消耗与基线抑郁症状或饮食质量之间的关系。

定量参与测量的分析表明，程序的优化导致程序的最新版本(即智能手机应用程序)比所有其他版本更容易被接受。使用这个版本的项目的参与者完成了更多的活动，花了更多的时间使用应用程序，完成了更多的目标，观看了更多的干预视频内容。3.0版本要求参与者记录每天的食物和情绪记录，并提示他们这样做。这种更有规律的互动并没有增加参与者的负担，但似乎提高了使用率和参与度。这与来自该领域的证据相反，该领域的证据表明，持续要求参与者输入数据会带来负担，可能会逐渐削弱干预的有效性[ 50］．文献还表明，随着时间的推移，参与者发现很难保持常规的自我监控[ 51］．这可能是一致的提示和反映他们日常饮食质量和情绪的能力，可能对这一人群产生了强化作用。

在8周的过程中指导干预参与的版本(版本2.2和3.0)具有更高的参与率和活动完成率。这些版本指导用户在前两周完成视频，并在接下来的6周内进行一系列行为改变活动。与会者似乎更喜欢这种结构化的方法。尽管这要求在前两周观看所有视频，但与1.0和2.1队列相比，2.2和3.0队列的参与者观看了更大比例的干预视频。1.0版本的视频也比后续版本的视频格式更长，内容也不同;但是2.1版本的视频与2.2版本和3.0版本的视频相同。这些结果表明，在促进参与度和完成度方面，视频的结构和方向比视频的长度更重要。

3.0版本的参与者(即至少访问过一次程序的参与者)也更多。尽管访问这个版本需要额外的步骤。分配到这个版本的参与者必须在登录之前将应用程序安装到他们的智能手机上，而使用桌面程序的参与者只需要点击一个链接就可以访问他们的版本。随着手机在全球范围内的普遍使用，这对于饮食干预的设计和传播是一个有希望的发现。

虽然许多研究人员已经调查了坚持和消耗的预测因素，但对于哪些定义特征可以预测数字干预的积极参与，几乎没有达成共识[ 26， 32］．对抑郁症网络心理干预不使用减员的预测因素的分析表明，抑郁症的基线率较低，年龄较小和较大，教育水平较低，以及对心理治疗的认识较差是预测因素[ 52， 53］．我们的结果与他们的结果一致，年龄是活跃使用的重要预测因素(HR 0.987, 95% CI 0.974-1.00， P=.047)，用于分析活跃用户的非使用损失率。这个结果可能是违反直觉的，因为有一个普遍的假设，即年轻用户更有可能参与技术，因为他们的技术使用水平更高。 54];然而，越来越多的文献表明，老年人更有可能继续参与数字干预。

我们发现基线抑郁症状和不使用损耗之间没有关系，我们随后进行了可行性分析[ 35]表明参与者能够独立于基线症状的严重程度完成该项目。这与营养精神病学临床干预试验的结果一致，这些试验发现，饮食变化可能与基线抑郁症严重程度无关。迄今为止的证据支持改善饮食是一种可行和可接受的治疗策略，对于患有抑郁症的人来说。

此外，不使用与基线饮食质量之间也没有关系，基线饮食质量是可行性研究的主要结果衡量标准。这一发现表明，饮食质量较低、改善机会较多的参与者可以参与干预，饮食质量较高、改善机会较少的参与者也可以参与干预。

从分析不使用减员的一个关键发现是，由健康从业者推荐的参与者更有可能使用该计划。之所以会出现这种情况，有两个原因。卫生保健从业人员的转诊可能增加了该计划的感知可信度，从而鼓励使用。第二，保健从业人员推荐的参与者可能被认为非常适合这种形式的辅助治疗。由于这些非正式转诊渠道而增加的参与是一个积极的发现，也是对今后设计和传播这类干预措施的重要考虑。为了在未来的试验和治疗项目中增加参与和降低不使用减员的风险，应该采用更正式的转诊和招聘流程，利用卫生从业人员。

自我评价计算机技能较高的参与者更有可能继续积极使用该程序。然而，如果用户认为他们对电脑的信心很高，这是不使用流失的重要预测因素。这些发现似乎相互矛盾;我们希望有信心的用户在导航或积极使用电子健康干预时遇到的障碍更少。所有参与者的特征表明，与其他任何水平相比，被评为自信的参与者比例要大得多。考虑到现代社会技术的普遍使用，以及这一回答的选择范围有限，大多数参与者认为自己有信心也许并不令人惊讶。可能是额外的非技术障碍限制了参与者通过项目的进展。即使参与者的信心很高，也愿意参与其中，但技能不足可能是其中一个障碍。为了解决这一问题，可以在计划的初始阶段引入提高参与者技能水平以提高不使用流失率的策略，特别是关注参与干预所需的技能。

不使用减员分析强调了在数字干预的早期阶段解决减员问题的必要性。所有队列中有很大比例的参与者没有使用干预措施(预处理退出)或只使用干预措施很短的一段时间，所有队列的不使用损耗曲线显示1天后或第一周内的使用量显著下降。在网络项目和项目后4周和8周的后续调查中收集定性反馈[ 35];然而，对于那些从未接受过干预的人，我们无法确定为什么会出现这种情况。

筛选调查以直接访问程序或下载所需的智能手机应用程序的链接和登录信息结束。这是为了无缝过渡到开始程序。在这一最后阶段对参与者行为的分析可能有助于未来干预措施的设计。在关闭浏览器之前为没有点击访问链接的参与者提供额外的提示，类似于营销网站使用的通知，可能会提高这些访问数量。此外，访问信息也通过电子邮件发送给参与者。自动跟踪访问信息电子邮件的点击率也可能是提示用户登录的一个机会。

这项研究的优势包括对所有参与者参与程度的定量数据分析，因为这些数据适用于整个队列。此外，有生活经验的人的积极参与，包括超越蓝色的蓝色之声的成员，为该计划的设计提供了信息，并产生了一个移动健康版本，可以供经历不同严重抑郁症状的人使用。研究设计允许探索多个互联网交付参数。最后，该研究达到了其招募目标，因此有足够的力量来探索终点。

尽管这项研究有优势，但也有局限性。饮食建议在第一个版本和后来的版本之间发生了变化。饮食建议向更规范的地中海饮食的变化源于相关性和严谨性周期，并由信息系统研究框架[ 34]是在优化阶段进行的。用户反馈、专家营养师的意见以及对现有文献的回顾，最终决定修改膳食建议，使其更具规范性。虽然1.0版本提供的饮食建议不是规定性的地中海饮食，但在随后的3个版本(2.1版本、2.2版本和3.0版本)中，这些方案在风格、内容、传递和所需的关键行为改变活动的等效性方面具有可同性。

很大一部分参与者来自澳大利亚，这可能限制了全球的普遍性。此外，我们无法从那些没有下载应用程序就离开研究的人那里收集反馈。没有这种反馈，就很难解决不同版本的程序无法吸引他们注意力的原因。

对“我的食物和情绪”计划的优化研究产生了一种饮食干预的移动健康版本，其使用率和参与度高于之前的3种干预版本。使用这个版本的更多参与者完成了更多指定的活动，并保持参与，积极使用该程序的时间更长。这些发现将为未来旨在进一步测试饮食干预对抑郁症的影响的大规模试验提供信息和支持。

对不使用减员的分析表明，由健康从业者转诊降低了不使用减员的风险。此外，不使用与参与者的抑郁症状或饮食质量无关。虽然一些研究人员调查了坚持和消耗的预测因素，但文献中很少有共识，即哪些特征可以预测参与者积极参与数字干预[ 26， 32］．我们的发现进一步促进了这一讨论。