原始论文
摘要
背景:生活方式行为的改变可以将心血管疾病的风险降低80%,心血管疾病是全球死亡的主要原因之一。我们假设,一个动态风险评估和行为改变工具作为一个移动应用程序交付,由一个著名的非营利组织托管,将促进社区成员的吸收。我们还预测,下载移动应用程序的激励措施会影响到用户的接受程度。
摘要目的:我们研究的主要目标是评估参与者使用新型风险管理应用程序的参与度。次要目标是评估激励措施对整体吸收和使用行为的影响。
方法:我们通过iTunes app Store公开发布了这款应用,并收集了5个多月的使用数据。汇总信息包括下载率、使用、风险因素和用户统计数据的人口级别数据。我们使用描述性统计来确定使用模式,t测试和方差分析比较组均值。相关和回归分析确定了使用和人口变量之间的关系。
结果:我们在5个月的时间里收集了69,952名用户的详细移动使用数据,其中23,727人(33.92%)是在为期1个月的航空里程促销活动中注册的。在完成风险评估的患者中,73.92%(42,380/57,330)为女性,59.38%(34,042/57,330)<30岁。虽然老年人的使用率明显低于年轻人,年龄≥51岁的用户中只有8.97%下载了应用程序,但老年人比年轻人完成了更多的挑战(F52422= 55.10,P<措施)。从用户粘性水平来看,84.94%(44,537/52,431)的用户在30天内完成了1-14个挑战,10.03%(5259 /52,431)的用户完成了>22个挑战。平均而言,在干预的前30天,激励组的用户完成的挑战略多(平均7.9,SD 0.13),而非激励组的用户(平均6.1,SD 0.06)。t28870= -12.293,P<措施,d=0.12, 95% CI -2.02 ~ -1.47)。回归分析表明,性别、年龄组、种族、有5个风险因素(除了酒精)、动机和家族史的数量是用户完成挑战数量的预测因素(F14日,56538年= 86.644,P<措施,一个djustedR2= .021)。
结论:虽然年轻人群下载应用最多,但老年人群表现出更强的持续粘性。改变行为的应用程序有可能触及以前被认为对移动应用程序不感兴趣或无法使用的目标人群。这类应用程序的开发应该假设,如果行为改变元素被适当设计,整合到日常生活中,并量身定制,老年人实际上会参与其中。激励措施可能是引导大众使用预防性工具和促进持续行为改变所需要的垫脚石。
doi: 10.2196 / mhealth.4730
关键字
简介
心脏病和中风仍然是全世界死亡和残疾的主要原因,占所有死亡人数的近30% [
].世界上大多数成年人至少有一种可改变的心血管疾病(CVD)危险因素,如肥胖、高血压、缺乏运动、营养不良和吸烟或饮酒[ ].与许多慢性疾病一样,可改变的风险因素可以通过以下方式预防:(1)识别不健康的生活方式行为;(2)提供教育和支持,引导个人改变行为和随后的生活方式改变[ , ].虽然健康风险评估一直是健康促进和风险预测的有效方法,但风险意识的增强并不一定会转化为行为的改变[
, ].现有的纸质和基于互联网的评估是单一的,并没有为患者提供必要的工具和教育,以积极地降低他们每天的心血管风险[ ].例如,Heart Aware [ ,一项针对373085名用户的基于互联网的心脏风险评估,根据用户输入的信息提供了风险概述。然而,它没有提供持续的指导或可操作的知识,使个人能够努力降低风险[ ].虽然许多工作场所健康项目确实提供了自我教育和咨询的工具,这些工具针对并有效减少慢性疾病,但它们无法推广到更大的社区人群[
].这些程序通常被拥有成功实施和维护这些程序所需的资源和基础设施的大型组织所采用。他们不注重发展社区成员的能力,而这对于支持、实施和维持有效的预防计划是必要的[ ].让个人参与危险因素识别和修改对于预防心血管疾病至关重要。然而,鉴于心血管疾病的高患病率,目前的主要预防措施显然不够理想[
].移动电话等技术可使人们获得促进健康的资源和社区内的同伴[ ].移动电话日益增长的市场渗透率提供了一个独特的机会,不仅可以提供基于证据的动态健康风险评估,而且还可以促进改变生活方式的干预措施[ ].在这个前提下,我们假设一个动态风险评估作为一个移动电话应用程序交付,由一个有信誉的公共非营利组织托管,将促进社区成员的吸收。加拿大心脏和中风基金会委托开发并公开部署了<30 Days,这是一款移动CVD风险评估和管理应用程序。我们假设,下载移动应用程序的激励措施会影响其使用率。我们收集了人口水平的使用数据,以了解其使用率和参与度。
我们研究的目标是评估玩家完成挑战的数量和使用时间,并比较奖励组和非奖励组的使用和接受情况。我们预计,来自激励组的用户最初会被应用所吸引,但随后的参与度会低于非激励组。
方法
加拿大心脏和中风基金会在iTunes应用商店(Apple, Inc, Cupertino, CA, USA)上发布了该应用程序,并收集了超过5个月的人口使用数据。我们以应用内移动协议的形式获得了用户的同意,以分析用于研究目的的去识别的使用数据。汇总数据包括全球用户的下载率、使用情况、反馈和人口统计信息。
手机应用概述
<30 Days应用程序的目的是使用户能够轻松有效地管理他们的心脏健康。以用户为中心的设计原则指导了应用程序的概念化,最终用户的反馈告知了概念和关键功能[
].除了从用户那里收集的需求之外,我们还使用了计划行为理论中的构造来指导应用程序的整体结构和动机[ ].最终的应用程序可以在加拿大的iTunes应用商店上免费下载。在下载应用程序时,用户可以选择立即完成风险评估,也可以暂时跳过风险评估并预览应用程序内容。选择先浏览应用程序的用户只提供了3个样本挑战,然后他们需要完成风险评估才能继续使用应用程序。在完成风险评估(见
而且 ),向用户提供了一份可修改的风险因素列表,用户可以根据自己在30天内想要解决的问题,对这些风险因素进行优先排序(第一、第二和第三)。该移动应用程序根据识别出的风险因素建议简单的日常活动,提供资源和鼓励,并根据个人的风险状况定制内容。当用户面对挑战时,他们可以选择去做跳过挑战和浏览更多选项或接受挑战。如果他们接受了挑战,第二天他们会被问及是否完成了挑战,然后他们可以继续选择下一个挑战。为了促进每天至少完成一项心脏健康挑战,该应用程序包含了徽章形式的成就系统和每7天呈现一次的进度回顾模块。心脏与中风基金会还推出了为期1个月的激励促销活动,用户下载应用程序可获得AIR MILES积分奖励(AIR MILES Reward Program, LoyaltyOne, Co, Toronto, ON, Canada)。之前的研究表明,奖励系统形式的积极反馈可以激励用户参与自我管理行为,改善健康结果[
- ].数据收集
本次评估的主要数据来源是连续5个月收集的匿名使用数据。数据集包括对健康风险评估的回应和随后的应用程序使用情况,基于应用程序的独特安装。鉴于风险评估需要人口统计和人体测量数据,因此可以基于人口统计和风险亚群体评估应用程序使用情况。我们通过iTunes App Store和技术支持邮件收到了用户的反馈。通过首次使用时应用程序中显示的移动许可协议,获得所有用户的同意。本次评估的用户组包括所有在研究时间限制内下载和使用该应用程序的用户。
数据分析
我们使用结构化查询语言查询<30 Days应用程序数据库,为数据处理创建输出文件。使用LabVIEW(国家仪器公司)进一步将数据处理成SPSS (IBM公司)可接受的格式。然后我们将得到的数据文件移植到SPSS进行统计分析。
描述性统计有助于识别应用的使用模式和关键功能的有效性t测试和卡方统计确定了组间的差异,如男性和女性组,激励组和非激励组。我们进行了受试者间方差分析,以分析年龄组和参与水平之间的差异。皮尔逊相关分析用于评估风险评估中确定的因素与敬业度水平之间的关系。我们对用户完成的挑战数量进行了多元回归分析,以更好地理解众多自变量对应用的吸收和粘性水平的影响。
最后,对从用户那里收到的评论进行了专题分析,其中对评论进行了汇编、组织和评估。我们衍生了与应用程序的可用性和实用性有关的主要主题,作为改进应用程序未来版本的关键反馈。
结果
在研究期间下载该应用的74,396名用户中,有4,444名用户安装了该应用,但从未启动过。在下载并启动应用程序的69952名用户中,23727名(33.92%)用户是在AIR MILES促销期间注册的,3957名(5.66%)用户打开了应用程序,但没有完成风险评估。总共有12,622名用户从未创建档案,因此从未完成风险评估。作为
显示,用于此分析的最终数据集由来自57330名用户的数据组成。AIR MILES奖励吸引了41.36%(6,184/14,950)的男性用户和32.06%(13,586/42,380)的女性用户下载应用程序并创建了个人资料(n= 57330, χ21= 423.7,P<措施,ϕ克莱默= .086)。激励主要吸引31-70岁的用户(χ28= 586.1,P<措施,ϕ克莱默= .101)。平均而言,在干预的前30天,激励组的用户完成的挑战略多(平均7.9,SD 0.13),而非激励组的用户(平均6.1,SD 0.06)。t28870= -12.293,P<措施,d=0.12, 95% CI -2.02 ~ -1.47)。其他数据显示,在推广期间,每日总下载量从326次增加到1186次。
人口特征
作为
显示,大部分用户为女性(42,380/57,330,73.92%),年龄在21 - 30岁之间(19,200/57,330,33.49%),白人(39,700/57,330,69.25%)。年轻用户的下载量明显高于年长用户,年龄≥51岁的用户中只有8.75%(5018/57,330)下载了该应用,而年龄在21至30岁的用户中有59.38%(34,042/57,330)下载了该应用。男性用户的平均体重指数(BMI)为28.0 (SD 5.2),女性用户为26.9 (SD 6.5),将大多数用户归类为超重(BMI 25-30 kg/m)2).特征 | n (%) | |
性 | ||
男性 | 14950 (26.08) | |
女 | 42380 (73.92) | |
年龄组别(年) | ||
≤20 | 14842 (25.89) | |
21 - 30 | 19200 (33.49) | |
31-40 | 11464 (20.00) | |
每周 | 6782 (11.83) | |
51-60 | 3777 (6.59) | |
61 - 70 | 1125 (1.96) | |
71 - 80 | 116 (0.2) | |
81 - 90 | 13 (0) | |
≥91 + | 11 (0) | |
民族/种族 | ||
白色 | 39700 (69.25) | |
拉丁美洲的 | 2374 (4.14) | |
中国人 | 2091 (3.65) | |
南亚 | 2057 (3.59) | |
非洲文化遗产 | 1928 (3.36) | |
其他 | 9180 (16.01) |
可改变的危险因素
最常见的危险因素是营养不良(49,711/57,330,86.71%),其次是缺乏运动(29,776/57,330,51.94%)、压力(28,592/57,330,49.87%)、盐摄入过多(17,333/57,330,30.23%)、吸烟(8499/57,330,14.82%)和过度饮酒(5950/57,330,10.38%)。平均而言,女性的危险因素(平均2.5,SD 0.01)略高于男性(平均2.3,SD 0.01;t26446年= -12.648,d= 0.11,P<措施,95% CI –0.16 to –0.12). Analysis of variance showed a relatively small but statistically significant difference in risk factors between age groups (F8日,57岁321 = 142.55,P<措施,η2= 0.02)。更准确地说,21-30岁(平均2.6,SD 0.01)和31-40岁(平均2.5,SD 0.01)年龄组的用户比61-70岁(平均1.8,SD 0.3)和71-80岁(平均1.4,SD 0.9)年龄组的用户具有更高的平均危险因素数。
健康状况和营养习惯
风险评估要求用户确定他们可能患有的健康状况或他们有家族史的健康状况。总体而言,44.50%(25,511/57,330)的用户报告至少有一种列出的疾病(抑郁症、糖尿病、心脏病、中风、高血压、高胆固醇、肾脏疾病和睡眠呼吸暂停),31.12%(17,839/57,330)的用户报告有抑郁或焦虑
所示。很大一部分使用者(39,793/57,330,69.41%)报告有糖尿病或高血糖、心脏病、高血压、高胆固醇或中风的家族史。在营养习惯方面,报告每周食用这些食物3次或以上的用户比例如下:45.34%(25,996/57,330)食用高脂肪食物,30.56%(17,520/57,330)食用快餐,24.24%(13,898/57,330)食用富含omega-3多不饱和脂肪酸的食物,42.37%(24,263/57,330)每天食用5份或以上水果和蔬菜,17.95%(10,291/57,330)不食用这些食物。
参与水平
我们从下载并打开应用程序的所有用户(52,431/74,396)中选择了一个子样本(52,431/74,396),他们创建了个人资料,并有至少30天的时间使用应用程序进行这部分评估,以确保所有用户都有机会完成挑战。作为
84.94%(44,537/52,431)的用户具有极低和较低的沉浸度,10.03%(5259/52,431)的用户具有较高的沉浸度。参与水平的分类和范围是由心脏和中风基金会预先定义的,其中非常低的分类描述了那些完成了简介但没有完成任何挑战的人,低、中等和高分别描述了完成1-14、15-21和≥22个挑战的人。向用户提出的问题 | 阳性反应,n (%) | |
你是否有以下任何一种情况? | ||
抑郁或焦虑 | 17839 (31.12) | |
糖尿病或高血糖 | 1978 (3.45) | |
心脏病史 | 1736 (3.03) | |
中风史 | 746 (1.3) | |
高血压 | 5564 (9.71) | |
高胆固醇或甘油三酯 | 4847 (8.45) | |
肾脏疾病 | 209 (0.4) | |
睡眠呼吸暂停 | 3611 (6.30) | |
以上都不是 | 31819 (55.50) | |
你有下列疾病的家族史吗? | ||
糖尿病或高血糖 | 24309 (42.40) | |
心脏病 | 15916 (27.76) | |
高血压 | 25204 (43.96) | |
高胆固醇或甘油三酯 | 16678 (29.09) | |
中风 | 10806 (18.85) | |
以上都不是 | 17537 (30.59) |
参与程度(挑战已完成) | n (%) |
极低(0) | 14546 (27.74) |
低(1 - 14) | 29991 (57.20) |
中度(15至21) | 2635 (5.03) |
高(≥22) | 5259 (10.03) |
我们通过观察每个用户在前30天内完成的挑战数量来衡量用户粘性
.一个示例t测试表明,女性用户的沉浸度(mean 7.10, SD 0.07, n=38,494)略高于男性用户(mean 6.73, SD 0.15, n=13,937;t52429年= -2.509,P= . 01d=0.02, 95% CI -0.648至-0.08)。方差分析显示,年龄对参与性水平的影响较小,具有统计学意义(F52422= 55.10,P<措施,η2= 0.008),年龄较大的参与者(>51岁)比年轻参与者完成更多的挑战( ).通过应用程序提供给用户的虚拟奖励(徽章)的频率也被捕获。 在50-70岁的人群中,连续使用app超过7天(热身徽章)和完成30天(30天徽章挑战)获得奖励的比例更高。作为
研究显示,那些报告有糖尿病、心脏病、中风、高血压和高胆固醇等健康问题的人完成了更多的挑战。相关分析显示,完成挑战的次数与个人状况的次数之间存在正相关但弱相关(r= .025,P<.001)和家族史条件(r= .041,P<措施)报道。我们通过多元回归分析评估了几个潜在预测因素对挑战数量的影响。由于数据集庞大,我们针对14个预测因素对模型进行了测试:性别、年龄组、种族、身高、体重、所有6个风险因素、激励性和非激励性信息、病情数量和家族史数量。该方法满足误差独立性、线性性、异常点和残差正态性、同方差等假设。在回归中使用的预测因素中,只有性别、年龄组、种族、5个风险因素(除了酒精)、激励的存在以及家族历史的数量预测了用户完成挑战的数量(F14日,56538年= 86.644,P<措施,一个djustedR2= .021)。
显示每个预测因子的回归系数和标准误差。年龄组别(年) | 前30天内完成的挑战数 | n (%) | |
的意思是 | SD | ||
≤20 | 5.44 | 11.08 | 13291 (25.35) |
21 - 30 | 6.47 | 12.23 | 17571 (33.51) |
31-40 | 7.67 | 18.11 | 10604 (20.22) |
每周 | 8.59 | 16.71 | 6297 (12.01) |
51-60 | 9.78 | 19.96 | 3485 (6.65) |
61 - 70 | 9.74 | 16.10 | 1050 (2.00) |
71 - 80 | 9.89 | 15.69 | 110 (0.2) |
81 - 90 | 10.08 | 16.09 | 13 (0) |
≥91 | 19.80 | 36.59 | 10 (0) |
健康状况 | 有条件 | 没有条件 | t52,429价值 | 科恩 d |
P值 | |||||
不。 | 的意思是 | SD | 不。 | 的意思是 | SD | |||||
个人 | ||||||||||
抑郁症 | 16112年 | 6.97 | 15.59 | 36319年 | 7.01 | 14.25 | 0.25 | -0.003 | .80 | |
糖尿病 | 1795 | 7.87 | 14.32 | 50636年 | 6.97 | 14.69 | -2.56 | 0.60 | 0。 | |
心脏病史 | 1581 | 8.60 | 19.47 | 50850年 | 6.95 | 14.50 | -4.42 | 0.11 | <措施 | |
中风史 | 688 | 9.27 | 21.33 | 51743年 | 6.97 | 14.56 | -4.10 | 0.15 | <措施 | |
高血压 | 5079 | 7.93 | 14.24 | 47362年 | 6.90 | 14.72 | -4.76 | 0.70 | <措施 | |
高胆固醇 | 4429 | 8.24 | 22.19 | 48002年 | 6.88 | 13.77 | -5.87 | 0.09 | <措施 | |
肾脏疾病 | 191 | 7.95 | 14.63 | 52240年 | 7.00 | 14.68 | -0.90 | 0.06 | .37点 | |
睡眠呼吸暂停 | 3254 | 7.40 | 14.78 | 49177年 | 6.97 | 14.67 | -1.61 | 0.03 | 厚 | |
家族病史 | ||||||||||
糖尿病 | 22177年 | 7.25 | 16.05 | 30254年 | 6.81 | 13.58 | -3.69 | 0.03 | . 01 | |
心脏病 | 14533年 | 7.83 | 17.57 | 37898年 | 6.68 | 13.39 | -6.24 | 0.11 | <措施 | |
中风 | 9874 | 7.83 | 16.19 | 42557年 | 6.81 | 14.293 | -4.096 | 0.15 | <措施 | |
高血压 | 23063年 | 7.43 | 15.52 | 29368年 | 6.66 | 13.97 | -5.94 | 0.05 | <措施 | |
高胆固醇 | 15233年 | 7.69 | 17.69 | 37198年 | 6.71 | 13.24 | -6.939 | 0.07 | <措施 |
变量 | B一个 | SEBb | β | P价值 | |
拦截 | 2.741 | 0.855 | <措施 | ||
性 | 1.064 | 0.154 | 0.033 | <措施 | |
年龄段 | 0.911 | 0.051 | 0.083 | <措施 | |
种族 | -0.074 | 0.021 | -0.015 | <措施 | |
高度 | 0.006 | 0.004 | 0.007 | 16 | |
重量 | 0.002 | 0.002 | 0.005 | .37点 | |
风险因素 | |||||
酒精 | 0.233 | 0.199 | 0.005 | 。 | |
吸烟 | -0.761 | 0.171 | -0.019 | <措施 | |
压力 | 0.641 | 0.126 | 0.022 | <措施 | |
锻炼 | -2.015 | 0.123 | -0.071 | <措施 | |
盐的摄入量 | -1.174 | 0.132 | -0.038 | <措施 | |
营养 | -1.071 | 0.189 | -0.025 | <措施 | |
奖励(航空里程) | 1.573 | 0.126 | 0.052 | <措施 | |
条件数量 | -0.007 | 0.075 | 0 | 公布 | |
家族史数量 | 0.315 | 0.043 | 0.033 | <措施 |
一个B:非标准化回归系数。
bSEB:系数的标准误差。
cBeta:标准化系数。
挑战分析
当面对每日挑战时,用户可以选择跳过或接受挑战,然后把它标记为完整的或不完整的第二天。虽然92.99%(464,097/499,078)的接受挑战完成后,绝大多数(1,183,013/1,682,091,70.33%)的挑战被跳过.
提供每个风险因素的完成率的细目。尽管营养是最常见的风险因素,但这类挑战的跳过率最高(546,850/731,010,74.81%),只有8.82%(64,475/731,010)的挑战完成。相比之下,50.39%(59,460/118,006)的酒精挑战完成,46.95%(55,400/118,006)的挑战跳过。用户反馈
在研究期间,我们收到了37条用户评论,其中24条是通过iTunes商店提交的,13条是通过技术支持电子邮件提交的。许多用户(n=17)表示,日常提示是将可实现的健康改变纳入日常生活并促进心脏病预防的好方法。另一个子集(n=5)提到这些挑战不适用于他们,因为这些挑战更侧重于城市生活方式,而不是农村环境。
讨论
我们对<30天使用数据的分析提供了一些关于消费者友好型移动应用程序在心血管风险管理中参与人群的吸收和有效性的见解。大多数用户是女性和年轻人群(21-30岁)。然而,年龄较大的用户群体表现出更高的参与度,完成的挑战也更多。我们预计,这一人群将向年轻人倾斜,他们是拥有手机和下载移动应用程序的人群的特征。
, ].然而,随着年龄的增长,参与程度增加这一发现是独一无二的。皮尤研究中心2011年11月的调查显示,年轻用户不仅下载了更多的应用程序,而且使用应用程序的可能性比年龄≥50岁的用户高出50% [
].在这种情况下,我们可以推断,年龄较大的用户群体更致力于他们的健康目标,并可能更愿意参与日常自我管理活动。多元回归分析表明,性别、年龄组、种族、有5个风险因素(除了酒精)、激励的存在以及家族历史的数量是用户完成挑战数量的预测因素(F14日,56538年= 86.644,P<措施,一个djustedR2= .021)。分析还表明,这些变量只能解释完成挑战数量变化的2%。使用应用程序来改变生活方式的社会现象是复杂和多维的,因此很难解释大量的变化。其他因素,如用户环境的影响、家庭结构、社会经济地位和对技术的熟悉程度,都可能影响完成挑战的数量和由此产生的低水平R2值(
].此外,那些被诊断出有健康问题或有家族病史的人参与程度更高。这意味着,与尚未暴露于健康相关问题的人相比,意识到自己的家庭风险或有健康状况的个人可能会有更大的感知易感性或风险,可能更倾向于使用风险管理应用程序[ ].Imes等人的综述[ ]发现,对家族史的认识和对个人风险的感知都是变化的必要预测因素,当与干预措施相结合时,首先,建立在理论框架上,其次,提供生活方式的改变选项,可以指导风险个体改善健康行为改变。此外,某些风险因素会影响个人完成挑战的次数。缺乏体育锻炼、营养、盐和烟草摄入呈负相关,这表明有这些风险因素的用户完成挑战的次数比没有这些风险因素的用户少。另一方面,压力与挑战有正相关,因此有压力风险因素的用户比没有压力风险因素的用户完成了更多的挑战。这种负面联系是违反直觉的,因为人们会认为风险因素的存在会导致人们对健康的关注增加。激励组和非激励组的参与水平相当,这意味着一次性的金钱激励可能会引发持续的动机,并使个人参与短期预防性干预。AIR MILES激励措施增加了男性和老年用户的使用率,这表明奖励形式(现金、积分、礼品卡等)和供应商可能会对吸引特定用户群体产生影响。
].例如,大多数AIR MILES用户的年龄是否大于iTunes App Store的年轻用户群体?虽然越来越多的证据表明,经济激励在改变行为方面比常规护理更有效,但其他激励类型对不同社会人口背景的目标人群的吸收的影响仍未被探索[ , ].营养不良、缺乏运动和压力是最常见的危险因素,加上大多数用户的BMI在25至30 kg/m之间2这表明超重是吸食者的主要危险因素。
此外,从用户收到的评论形式的反馈表示需要与他们的情况和需要有关的挑战。例如,对于在服务行业工作的人来说,从办公桌前站起来散个步可能无关紧要。此外,跳过挑战的高频率表明这些挑战可能不适合用户,迫使他们搜索其他选项。个性化的内容和基于个人偏好的策略选择可以优化参与,并对干预的有效性产生重大影响[
, ].通过根据用户的个人资料(年龄、地点、种族等)为用户提供定制挑战,可以增加向用户展示的适当挑战的数量,从而提高用户粘性和积极性。限制
从风险评估和挑战完成率中获得的数据依赖于自我报告,这可能会影响数据的总体准确性。鉴于这款应用适用于iOS平台(如iPhone、iPad、iPod Touch;对于苹果公司的用户来说,使用数据并不能完全代表所有消费者,特别是Android用户,他们现在占据了手机市场的大部分[
].手机拥有率因社会经济背景而异,收入和教育水平越高的人拥有iphone的可能性越大。 ].结论
虽然年轻人群下载应用最多,但老年人群表现出更高、更持久的参与度。改变行为的应用程序有可能触及以前被认为对移动应用程序不感兴趣或无法使用的目标人群。然而,改变生活方式和降低风险的工具必须是有用的、相关的,并融入日常生活,在日常生活中,显著改变行为的机会是最大的。移动设备可能是向不同环境中的人群提供此类干预措施的有效渠道。行为改变移动应用程序的开发应该假设,如果行为改变元素被适当设计,整合到日常生活中,并根据他们的需求量身定制,老年人就会参与进来。
虽然激励措施可能是引导一般民众使用预防性工具和促进保持积极的行为改变所需的垫脚石,但激励措施的类型及其对特定用户群体的影响需要进一步探讨。然而,很明显,捕获人口级别的使用信息可以极大地深入了解用户行为和交互。将数据收集扩大到单一干预措施之外,并从外围设备和环境中获取数据的可能性,甚至将这些发现与长期结果联系起来,可以更好地为预防工具的开发、交付和采用提供信息。
利益冲突
没有宣布。
参考文献
- 世界卫生组织。2010年全球非传染性疾病状况报告。世界卫生组织;2011年4月http://apps.who.int/iris/bitstream/10665/44579/1/9789240686458_eng.pdf[访问时间:2016-03-07][WebCite缓存]
- Yusuf S, Reddy S, Ounpuu S, Anand S.心血管疾病的全球负担:第一部分:一般考虑、流行病学转变、危险因素和城市化的影响。发行量2001年11月27日;104(22):2746-2753 [免费全文] [Medline]
- Dickerson JB, McNeal CJ, Tsai G, Rivera CM, Smith ML, Ohsfeldt RL,等。基于互联网的健康风险评估能否突出心脏病风险因素认识方面的问题?横断面分析。中国医学杂志,2014;16(4):e106 [免费全文] [CrossRef] [Medline]
- 张志刚,张志刚,张志刚,张志刚,等。我不相信,但我最好做点什么:患者在线心脏年龄风险计算器的经验。中国医学杂志,2014;16(5):e120 [免费全文] [CrossRef] [Medline]
- 舍恩巴赫VJ,瓦格纳EH,比尔利WL。健康风险评估:审查有效性证据。卫生服务决议1987年10月;22(4):553-580 [免费全文] [Medline]
- D 'Agostino R, Vasan R, Pencina M.用于初级保健的一般心血管风险概况:弗雷明汉心脏研究。Circulation Feb 12 2008;117(6):743-753。
- Widmer RJ, Allison TG, Keane B, Dallas A, Lerman LO, Lerman A.使用在线个性化计划在积极的、坚持的参与者群体中降低心血管风险因素。《美国心脏杂志》2014年1月2日,第3期。[CrossRef] [Medline]
- Goodman RM, Speers MA, McLeroy K, Fawcett S, Kegler M, Parker E,等。确定和界定社区能力的维度,为测量提供基础。卫生教育,Behav 1998 Jun;25(3):258-278。[Medline]
- Willis A, Davies M, Yates T, Khunti K.使用有效的风险评分进行心血管疾病的一级预防:一项系统综述。J R Soc Med 2012 Aug;105(8):348-356 [免费全文] [CrossRef] [Medline]
- Bert F, Giacometti M, Gualano MR, Siliquini R.智能手机与健康促进:证据综述。中华医学杂志2014年1月;38(1):9995。[CrossRef] [Medline]
- McCurdie T, Taneva S, Casselman M, Yeung M, McDaniel C, Ho W,等。移动健康消费者应用:以用户为中心的设计案例。生物医学仪器技术2012;增刊:49-56。[CrossRef] [Medline]
- 格兰兹·K,里默·BK,维斯瓦纳特·K.健康行为与健康教育:理论、研究与实践。第4版。加州旧金山:乔西-巴斯;2008.
- Miller AS, Cafazzo JA, Seto E.一个游戏计划:游戏化设计原则在慢性疾病管理的移动健康应用。卫生信息学杂志2014年7月1日。[CrossRef] [Medline]
- Cafazzo JA, Casselman M, Hamming N, Katzman DK, Palmert MR.青少年1型糖尿病自我管理mHealth应用程序的设计:一项试点研究。中国医学杂志,2012;14(3):e70 [免费全文] [CrossRef] [Medline]
- Giles EL, Robalino S, McColl E, Sniehotta FF, Adams J.财务激励对健康行为改变的有效性:系统评价和元分析。PLoS One 2014 3月;9(3):e90347 [免费全文] [CrossRef] [Medline]
- 一半的成年手机用户在手机上安装了应用程序。华盛顿特区:皮尤互联网和美国生活项目;2011年11月2日。URL:http://www.pewinternet.org/files/old-media//Files/Reports/2011/PIP_Apps-Update-2011.pdf[访问时间:2016-03-07][WebCite缓存]
- 智能手机拥有量:2013年更新。华盛顿特区:皮尤互联网和美国生活项目;2013年6月5日。URL:http://www.pewinternet.org/files/old-media//Files/Reports/2013/PIP_Smartphone_adoption_2013_PDF.pdf[访问时间:2016-03-07][WebCite缓存]
- Colton BJA, Bower KM。关于r平方的一些误解。国际社会六西格玛专业人士非凡的感觉2002;3(2):20-22。
- Sabzmakan L, Morowatisharifabad MA, Mohammadi E, Mazloomy-Mahmoodabad SS, Rabiei K, Naseri MH,等。心血管疾病危险因素的行为决定因素:定性定向内容分析。ARYA动脉粥样硬化2014 Mar;10(2):71-81 [免费全文] [Medline]
- Imes C, Lewis FM。心血管疾病家族史、感知心血管疾病风险和健康相关行为:文献综述中华心血管病杂志2013;00(2)。
- Malotte CK, Hollingshead JR, Rhodes F.吸毒者结核病皮肤测试读数的货币与非货币激励。中华预防医学杂志1999年4月;16(3):182-188。[Medline]
- 使用自我照顾策略来改变生活方式。中华医学杂志1999,6,17(2):169-183。[Medline]
- Morrison LG, Yardley L, Powell J, Michie S.在有效的电子健康干预中使用了哪些设计特征?运用批判性解释综合的技术综述。telmemed E Health 2012 march 18(2):137-144。[CrossRef] [Medline]
缩写
体重指数:身体质量指数 |
心血管疾病:心血管病 |
G·艾森巴赫(G Eysenbach)编辑;提交20.05.15;S Kitsiou, R Oosterom-Calo同行评审;对作者15.08.15的评论;订正版本收到13.10.15;接受15.12.15;发表24.03.16
版权©Shivani Goyal, Plinio P Morita, Peter Picton, Emily Seto, Ahmad Zbib, Joseph A Cafazzo。最初发表于JMIR Mhealth和Uhealth (http://mhealth.www.mybigtv.com), 2016年3月24日。
这是一篇根据创作共用署名许可协议(http://creativecommons.org/licenses/by/2.0/)发布的开放获取文章,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR mhealth和uhealth上的原创作品。必须包括完整的书目信息,http://mhealth.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。