原始论文
摘要
背景:疼痛是最普遍的健康问题之一,也是寻求医疗帮助的三大最常见原因之一。从疼痛跟踪和监测应用程序中收集的数据的科学出版物对于帮助消费者和医疗保健专业人员选择适合他们使用的应用程序非常重要。
摘要目的:本文的主要目标是:(1)使用数据挖掘方法发现疼痛管理应用程序Manage My pain的用户参与模式;(2)识别个体用户特征与用户粘性之间的关联。
方法:用户粘性是由应用的两个关键功能定义的:寿命(第一次和最后一次疼痛记录之间的天数)和记录数量。使用k-means聚类算法将用户分为5个用户参与度集群。每一类患者有6个特征:性别、年龄、疼痛状况、药物数量、疼痛严重程度和阿片类药物使用。分类属性分析采用Z检验和卡方检验。采用2-way方差分析(anova)分析性别和聚类对数值属性的影响,随后采用两两比较(Tukey honest significant difference, HSD)分析。
结果:聚类过程产生了5个代表不同用户粘性水平的聚类。5个聚类中有4个聚类的雌雄比例差异显著(均为0.05)P≤03)。在寿命相对较长的用户中,男性比例高于女性。2个长寿组的用户平均年龄高于其他3个组(均为P<措施)。总体而言,男性的年龄明显大于女性(P<措施)。在整个集群中,女性报告的疼痛状况比男性多(均P < 0.001)。高参与度的用户比低参与度的用户服用了更多的药物P<措施)。据报告,女性服用的药物数量多于男性(P= .04点)。在5个簇中的4个簇中,服用阿片类药物的男性比例明显高于男性(全部P≤0.05)。3组患者中男性轻度疼痛的比例明显高于女性(均为P≤.008)。
结论:尽管该应用程序的大多数用户报告为女性,但男性用户更有可能高度参与该应用程序。在参与度最高的集群中,用户自我报告的疼痛状况、当前药物数量和阿片类药物使用发生率较高。在这些群体中,男性的高参与度似乎并不是由疼痛严重程度驱动的,而女性的情况可能部分如此。对于高度投入的男性来说,使用移动疼痛应用程序可能比高度投入的女性更有吸引力,对于那些有相对更复杂的慢性疼痛问题的人来说也是如此。
doi: 10.2196 / mhealth.7871
关键字
介绍
基于互联网和移动医疗(mHealth)应用程序正在改变人们监控、管理和交流健康相关信息的方式[
]。这一趋势已在医学领域得到证实[ ],护理[ ],心理学[ 运动机能学[ ],营养[ ],以及多种健康问题和疾病[ ]。疼痛是最普遍的健康问题之一,也是寻求医疗帮助的三大最常见原因之一[
]。最近的几篇评论强调了许多与疼痛相关的商业应用程序,慢性疼痛患者可以从在线应用程序商店下载[ - ]。截至2015年,在279 [ ]和283 [ 与疼痛相关的应用程序已经上市,用于监测和跟踪疼痛。总的来说,移动应用程序的快速增长,尤其是针对疼痛的应用程序,并没有引起消费者和医疗保健专业人员在众多可用应用程序中选择更喜欢或需要的因素的同等关注。大多数移动医疗应用程序的质量、可用性、有效性和其他相关数据要么不可用,要么不完整,要么可能不准确。 , , ]。消费者和医疗保健提供者在寻找最适合自己需求的应用程序时,几乎没有可靠的信息可供参考。为了说明与疼痛相关的应用程序可用性与可靠的科学数据之间的不匹配,de la Vega和Miró [ 指出,在已发表的科学文献中评估的34个与疼痛相关的应用程序中,没有一个在任何主要的在线应用程序商店中可用。相反,在各大应用商店出售的283款与疼痛相关的应用程序中,没有一款在科学出版物中得到评估。因此,本研究有两个目标。第一个是描述屡获殊荣的移动应用程序Manage My Pain(开发用于监测和跟踪疼痛)与疼痛、心理健康和数据挖掘专家之间的首次合作。第二个目标是通过使用定义用户群的关键变量对数据进行聚类,呈现来自超过24,000个用户(包含超过544,000个数据点)的数据。具体来说,通过衡量用户对应用的参与度(游戏邦注:例如,哪些用户长期频繁使用该应用?),根据每个用户的使用寿命和记录数量来定义,我们能够将用户分成5组(使用聚类方法),根据条目数量的高低和使用寿命的高低来区分。然后,我们根据性别以及应用程序收集的其他属性对5组用户进行了特征描述:年龄、疼痛状况的数量、当前药物的数量、阿片类药物的使用和疼痛严重程度评级。
方法
控制我的疼痛
管理我的痛苦[
],通过一款安卓手机应用程序,帮助患有疼痛的人追踪他们的疼痛和日常功能。自2011年推出“管理我的疼痛”以来,已有超过2.4万人创建了一个账户,并记录了他们的疼痛。使用者总共记录了超过54.4万次疼痛发作。“管理我的疼痛”的核心功能是“疼痛记录”,用户可以输入有关疼痛发作的详细信息。用户只被要求完成一个项目,即使用视觉模拟量表上的滑块对疼痛严重程度进行评级。然后他们可以选择完成另外7个项目,这些项目通常需要不到1分钟的时间来完成。
)。这款应用每天都会发出提醒,并提示用户反思自己的日常成就。通过定期使用,用户可以通过图表和图形获得自我意识,这些图表和图形可以洞察他们的痛苦和功能,以及它们如何随时间变化。应用程序收集的信息可以汇总成一份供临床使用的报告,其中收集的信息以简洁的方式呈现,主要关注临床访问之间自我报告结果数据的变化。输出结构在一页纸上,往往比病人自上次临床就诊以来对疼痛的回忆更准确,因为它捕捉的疼痛更接近经历的时间,而且受最近和回忆偏差的影响更小,而这些偏差困扰着现有的捕捉疼痛信息的方法[
]。为了补充报告中提供的信息,用户可以在应用程序中的个人资料中添加疼痛状况、性别、年龄和药物。这款应用支持7种语言(英语、西班牙语、法语、德语、俄语、简体中文和韩语),用户来自130多个国家。它的精简版是免费的,或者用户可以选择一次性支付专业版的费用。这两个版本之间的唯一区别是,前者将一次可查看的记录数量限制为10条。如果用户选择使用ManagingLife的安全云存储,他们可以创建一个在线帐户并同意ManagingLife的隐私政策[
],包括同意将其汇总的和去识别的数据用于研究目的。创建帐户不仅可以通过加密数据传输和设备丢失时的安全存储实现跨设备同步,还可以实现高级报告生成和访问应用程序的Profile部分( )。本文中的大部分分析来自应用程序的个人资料部分中包含的自我报告信息。用户也可以在不创建帐户的情况下使用Manage My Pain,在这种情况下,数据不会离开设备,因此无法用于本报告等研究。过程
本研究由约克大学研究伦理委员会(人类参与者审查委员会,证书e2015-160)审查并批准。用户数据库被访问并下载为2个单独的文件(纯文本格式):用户信息和疼痛记录。用户信息文件包含该字段的用户标识(ID)、出生日期、性别、疼痛状况和药物。疼痛记录文件中包含的特定于个体疼痛状况的信息包括日期、位置、其他相关症状、特征、缓解因素、无效因素、加重因素、严重程度、环境、疼痛类型和疼痛持续时间。文本文件中的所有字段都使用特殊字符分隔。本研究使用的文件于2017年1月2日下载。这项研究涵盖了2011年9月13日至2017年1月2日期间用户记录的疼痛发作。
参与者及措施
主数据集包括来自24,816个用户的544,425条记录。从这些用户中,我们选择了18,324名至少有2次疼痛发作记录的用户。来自这18,324个选定用户的数据点总数为537,853。我们排除了只有一次疼痛记录的用户,因为我们认为他们只通过一次使用与应用互动。此外,我们研究的目的是突出不同参与度用户之间的差异,而包括那些一次性使用的用户会使分析偏向于比较参与度和一次性使用。
我们通过使用情况的两个方面来定义应用的用户粘性:使用寿命和记录数量。寿命是根据第一次和最后一次疼痛记录之间的天数计算的。记录数是一个用户在数据库中的条目总数。对于每个用户,我们从数据库中提取6个特征用于基于聚类的分析[
) ( )。从数据库中提取特征,用于基于聚类的分析。
特性
性别:在应用程序中输入性别的选项仅限于男性或女性。没有包括性别信息的用户,或者不认同所提供的任何一个选项的用户,被编码为“未提供”。在选定的用户集中,男性、女性和“未提供”性别的比例分别为11.33%(2076/ 18324)、49.90%(9144/ 18324)和38.77%(7104/ 18324)。
年龄:记录的年龄(以年为单位)是用户在第一个记录日期的年龄,而不是分析日期的年龄。一些用户没有输入出生日期。这些用户的年龄值不包括在分析中。57.48%(10533 / 18324)的用户提供了年龄信息。
疼痛条件的数量:用户可以从2500种不同的疼痛条件的给定列表中选择1种或更多的疼痛条件。他们还可以为疼痛条件添加自定义值。在本研究中,我们纳入了所有报告的疼痛状况,包括那些作为自定义值添加的疼痛状况。在使用者中,57.68%(10,569/18,324)报告了至少一种疼痛状况。
当前药物数量:用户从1130种药物的标准化列表中选择他们当前和过去的药物。除了如何以及何时服用药物的说明外,用户还可以指定每种药物的品牌和剂量。如果在清单上没有找到药物或品牌,用户可以要求添加。目前的分析包括用户表示他们目前正在服用的所有药物。在使用者中,36.96%(6773/ 18324)报告正在服用一种或多种药物。
阿片类药物使用:为了本研究的目的,如果该应用程序的用户自我报告服用至少一种当前药物,包括贝非诺酚、丁丙诺啡、丁托啡诺、可待因、芬太尼、氢吗啡酮、哌嗪、美沙酮、吗啡、羟考酮、羟吗啡酮、他他多或曲马多,则该用户被编码为阿片类药物用户。在报告服用一种或多种药物的使用者中,41.21%(2791/6773)被编码为阿片类药物使用者。
疼痛严重程度评分:应用程序的用户为他/她创建的每个疼痛记录输入疼痛严重程度评分(0到10)。我们首先计算用户创建至少1个疼痛记录的每一天的平均每日疼痛严重程度评分,然后计算每个用户的平均疼痛评分的每日平均值。所有用户被分为“轻度”(平均疼痛评分小于4/10)、“中度”(平均疼痛评分在4到7之间)和“重度”(平均疼痛评分大于7)。
根据平均疼痛评分进行分组。数据分析
聚类
我们应用数据聚类方法来区分高度参与的用户和不经常使用应用程序的用户。聚类涉及将一组对象或定义人群的成员划分为2个或更多的子组,这样一个子组的成员彼此相似,而与其他子组的成员不同。为了聚类,每个对象或子组成员都使用一个或多个变量表示。这些变量通常被称为特征或属性。对对象(或子组成员)之间的相似性或不相似性是用表示它们的特征向量之间的距离来衡量的。
聚类过程的输出通常是一组簇,其中每个对象被分配到其中一个簇中的成员资格。我们使用k-means [
作为我们聚类用户的主要数据分析方法。在k-means聚类方法下,将聚类的数量先验地设置为某个常数k,并将数据集划分为k个聚类。在初始化阶段,随机选取k个均值。数据集中的每个项目都被分配到最接近它的平均值。在随后的每次迭代中,对于每个聚类,基于该聚类的当前成员计算平均值。然后将每个数据点重新分配到均值最接近的集群中。当集群在迭代之间没有变化时,迭代过程停止。在我们的聚类实验中,由于我们对用户参与度感兴趣,我们使用了2个定义变量——寿命和记录数量——作为用户参与度的特征。我们还添加了频率(每天记录的平均数量)作为一个额外的特性,以区分在不同的生命周期内拥有相同记录数量的用户。我们使用对数尺度转换这3个特征值,因为两个用户的小特征值之间的差异比大特征值之间的类似差异更能表明他们的不同粘性水平。
我们比较了产生不同簇数的k-means聚类解决方案,以找到最适合数据的解决方案。我们还将k-means聚类结果与使用Mclust [
],另一种聚类方法。在Mclust中,最初选择最大簇数M和一组混合模型。对于每个模型,采用层次聚类方法对2 ~ m的每个可能数量的聚类进行初始聚类,以每个模型的聚类为基础聚类,采用期望最大化算法更新2 ~ m的聚类对象的聚类分配,最后采用贝叶斯信息准则从不同模型和不同数量的聚类中选择聚类解。为了比较不同方法(k-means与Mclust)聚类解的质量,我们计算了平均轮廓宽度作为聚类过程适应度的度量。对于每个对象,轮廓宽度测量一个数据点与其自身集群中的点的相似程度(基于距离测量,如欧几里得距离),而不是邻近集群中的点。较高的平均轮廓宽度表明集群更紧密,每个集群与其他集群分离良好。
在选择了基于平均轮廓宽度的聚类解决方案后,我们为每个用户簇生成了一个轮廓。一个集群的概况包含从属于该集群的成员中计算出的3个变量(用户的年龄、疼痛状况的数量和当前药物的数量)的均值。对于每个群集,我们还计算了性别和疼痛严重程度的分布以及阿片类药物使用者的百分比。
我们使用了R(3.3.1版本)[
]用于数据加载、预处理、聚类和进行统计测试。值得注意的是,在R中将数据集作为数据帧处理的传统方法对于分析较大的数据集来说很慢。由于我们的数据集包含超过50万条疼痛记录,我们使用了这些数据。表包[ 这使得加载、查询、排序等比默认的数据帧方法更快。集群特征
一旦我们确定我们已经生成了最能代表数据集的聚类,就像疼痛专家评估的那样,我们进行了卡方检验来评估性别和聚类之间关联的统计意义。然后,我们进行了Z检验,以确定每个集群中男性和女性的比例是否与人们偶然期望的有显著差异。然后,我们使用3个双向独立样本对3个数据库特征(年龄、当前药物数量和疼痛状况数量)进行方差分析(ANOVA),并使用聚类和性别作为受试者之间的因素。我们使用Tukey诚实显著差异(HSD)方法两两比较各组或性别的每个显著主效应。然后,我们进行了Z检验,以评估每个集群中使用阿片类药物的男性和女性的比例是否与人们偶然期望的有显著差异。最后,我们进行了卡方检验,以调查每个参与集群中性别与疼痛严重程度组(轻度、中度和重度)之间的关系。所有统计检验均在R中进行。
结果
基于用户与应用的互动来聚类用户
有2个或更多疼痛记录的18,324名用户根据他们的参与程度(使用寿命、记录数量和频率)进行了分组。我们最初打算根据用户的参与度将其自然划分为以下几组:(1)低寿命,低记录数量;(2)寿命低,记录数量多;(3)寿命长,记录数量少;(4)寿命长,记录数量多。将用户分成4组的结果如图所示
。该图以2个维度的对数尺度绘制:寿命和记录数量,其中4种颜色代表4个不同的群集。如前所述,在聚类分析过程中,频率(每天平均记录数)被添加为一个额外变量,以帮助强调与用户基础更相关的各种粘性聚类之间的差异。一个集群的颜色被分配给它的所有成员对象(即属于该集群的用户)。蓝色集群表示具有高寿命和大量记录的用户。同样,Black集群中的用户通常寿命长,但记录数量少。然而,其他2个集群(红色和绿色)似乎与其他2个预期集群不一致,其特点是:(1)寿命低,记录数量多;(2)寿命短,记录数量少。相反,红色和绿色集群在寿命低端表现不同,但在低粘性方面表现相似。因此,我们使用5个聚类(
)。从所有5个集群的用户中得出的统计数据显示在
。根据从集群中的用户计算得出的寿命均值和记录数,我们发现集群与预期的4组用户之间存在以下关联:(1)蓝色:寿命高,记录数高;(2)黑色:寿命长,记录数量少;(3)青色:寿命低,记录数量多;(4)红色和绿色:寿命低,记录数量少( )。我们还发现,k-means产生的聚类结果的平均轮廓宽度(0.20)高于Mclust产生的聚类结果(0.02)。因此,我们接受k-means的5个聚类输出,如下所示
,以便在本研究中进行进一步的实验。集群 | 用户,n | 寿命,n(天) | 记录,n | ||||
最低 | 最大 | 的意思是 | 最低 | 最大 | 的意思是 | ||
蓝色的 | 2415 | 49 | 1906 | 321.8 | 18 | 7699 | 158.2 |
黑色的 | 2387 | 56 | 1865 | 418.5 | 2 | 76 | 12.6 |
青色 | 3640 | 3. | 67 | 21.5 | 6 | 34 | 22.7 |
红色的 | 3467 | 5 | 109 | 30.1 | 2 | 21 | 6.1 |
绿色 | 6415 | 1 | 7 | 2.6 | 2 | 47 | 3.4 |
按性别分组
来自3种性别类别(男性,女性,未提供)的用户在5个用户粘性集群中的分布如图所示
。采用卡方检验评估3种性别(男性、女性和未提供的性别)与5个聚类之间的相关性。相关性有统计学意义(χ28= 761.24,P<。001)。然后,我们进行了z检验,以评估每对性别(男性-女性、男性-未提供、女性-未提供)的比例在每个集群中是否有显著差异。性别间两两差异显著(所有P≤0.05),除了青色星团的男女差异。因此,具有明显高寿命的男性用户的比例(蓝色和黑色集群)高于女性用户。另一方面,在低敬业度集群(红色和绿色)中,女性的比例明显高于男性。如前所述,本研究中只有11.33%(2076/ 18324)的用户为男性,而49.90%(9144/ 18324)的用户为女性,其余用户未提供性别信息。这些数据表明,一旦男性注册,他们比女性更有可能使用该应用程序更长时间,更一致。值得注意的是,当用户粘性从绿色集群的44%上升到蓝色和黑色集群的8% - 10%时,未提供性别的样本比例显著下降。虽然了解那些选择不提供性别数据的个体的性别将有助于解释目前的结果,但只有8%到10%的蓝色和黑色集群没有提供他们的性别的发现让我们更有信心,在高度参与的集群中,男性比女性的比例更大,真正代表了性别分布,而不是未申报比例的人工产物。
此外,68.37%(4857/7104)的“未提供”性别类别的用户没有输入他们的年龄,也没有列出任何疼痛状况或目前的药物。而男性和女性的这一比例分别为2.70%(56/2076)和1.61%(147/9144)。因此,在提供性别信息的使用者和没有提供性别信息的使用者之间比较年龄、疼痛状况和药物是不可行的。因此,我们从其余的分析中排除了未提供性别类别的用户。
为了调查男性用户比女性用户参与程度更高的可能原因,我们计算了每个集群中男性和女性用户的平均年龄、疼痛状况的平均数量和当前药物的平均数量。
年龄
5组用户的平均年龄见
。方差分析结果显示,聚类(F4, 10192= 24.09,P<.001)和性别(F10192= 284.88,P<.001),而不是集群x性别交互效应(F4, 10192= 1.0,P= .41点)。Tukey HSD测试表明,蓝色和黑色的星系团都比其他3个星系团(都是P<措施)。相比之下,蓝色和黑色组没有显著差异(P= 1.0)。因此,长寿用户(蓝色和黑色集群)的平均年龄高于其他用户组。总体而言,男性明显大于女性,平均年龄分别为42.32 (SD 12.01)和37.55 (SD 10.56)岁。集群 | 年龄,平均(SD) | ||
所有用户 | 男性 | 女性 | |
蓝色的 | 40.3 (10.9)一个 | 44.1 (11.0) | 39.1 (10.5) |
黑色的 | 39.9 (11.1)一个 | 42.9 (12.6) | 39.2 (10.6) |
青色 | 38.1 (11.1)b | 41.9 (11.7) | 37.2 (10.8) |
红色的 | 37.1 (11.4)b | 40.5 (12.9) | 36.6 (11.1) |
绿色 | 37.5 (11.2)b | 41.8 (12.0) | 36.8 (10.9) |
一个聚类差异有统计学意义(P<措施)。
b聚类差异有统计学意义(P<措施)。
疼痛状况的数量
每个集群中用户自我报告的疼痛状况的平均数量见
。与参与度较低的用户相比,参与度较高的用户更有可能自我报告更多的疼痛状况。方差分析结果显示,聚类(F4, 9180= 41.28,P<.001)和性别(F9180= 19.92,P<.001),而不是集群x性别交互效应(F4, 9180= 0.37,P=()。采用事后Tukey HSD检验的两两比较表明,蓝-黑、黑-青、青-红和红-绿聚类的均值差异无统计学意义P≥。07)。在整个群体中,女性报告的疼痛状况比男性多,平均值分别为3.66 (SD 4.02)和3.18 (SD 3.44)。目前用药数量
报告服用至少一种药物的使用者目前服用药物的平均数量见
。方差分析结果显示,聚类(F)的主效应显著4, 5408= 58.67,P<.001)和性别(F5408= 4.33,P=.04),而不是集群x性别相互作用效应(F4, 5408= 1.59,P=。)。采用事后Tukey HSD检验的随访两两比较显示,黑-青色和红-绿聚类的均值差异不显著(P>.99),而蓝色和其他每个集群之间的差异是显著的(所有P<措施)。因此,与参与度较低的用户相比,参与度较高的用户报告服用的药物更多。此外,女性报告服用的止痛药数量多于男性,平均值分别为3.91 (SD 3.30)和3.68 (SD 3.32)。集群 | 疼痛状况,平均(SD) | ||
所有用户 | 男性 | 女 | |
蓝色的 | 4.3 (4.8)一个 | 4.1 (4.5) | 4.6 (4.8) |
黑色的 | 3.8 (3.7)a、b | 3.2 (3.0) | 4.1 (3.9) |
青色 | 3.4 (4.0)b, c | 3.1 (3.3) | 3.7 (4.4) |
红色的 | 3.1 (3.3)c, d | 2.8 (2.5) | 3.2 (3.4) |
绿色 | 3.0 (3.5)d | 2.6 (2.7) | 3.2 (3.6) |
一个单因素方差分析后Tukey HSD检验的聚类差异显著(P< . 05)。
b单因素方差分析后Tukey HSD检验的聚类差异显著(P< . 05)。
c单因素方差分析后Tukey HSD检验的聚类差异显著(P< . 05)。
d单因素方差分析后Tukey HSD检验的聚类差异显著(P< . 05)。
集群 | 平均用药数(SD) | ||
所有用户 | 男性 | 女 | |
蓝色的 | 4.6 (4.0)一个 | 4.7 (4.4) | 5.0 (4.0) |
黑色的 | 3.7 (3.1)b | 3.1 (2.4) | 4.1 (3.4) |
青色 | 3.6 (3.0)b | 3.4 (2.6) | 4.0 (3.2) |
红色的 | 3.0 (2.6)c | 3.1 (2.5) | 3.3 (2.7) |
绿色 | 2.8 (2.4)c | 2.8 (2.2) | 3.2 (2.7) |
一个单因素方差分析后Tukey HSD检验的聚类差异显著(P<措施)。
b单因素方差分析后Tukey HSD检验的聚类差异显著(P<措施)。
c单因素方差分析后Tukey HSD检验的聚类差异显著(P<措施)。
阿片类药物使用
报告目前使用阿片类药物的每组男性和女性的人数和百分比见
。服用阿片类药物的男性比例明显更高P≤0.05),在除红色组外的所有组中,其百分比没有差异。疼痛严重程度
5个簇内3个疼痛严重程度组的男女使用者人数见
。卡方独立性检验显示,在黑色和青色组中,疼痛严重程度和性别相互独立P≥40美分)。我们对蓝色、红色和绿色组的性别和疼痛严重程度组进行了随访卡方检验。在蓝色群集中,轻度-重度(χ21= 11.18,P= 0.008)和轻度-中度(χ21= 9.65,P=.002)对与男性和女性性别有统计学显著相关。轻度-中度配对与性别之间的相关性在红色(χ21= 8.09,P=.004), Green (χ21= 12.76,P<措施)集群。这些发现表明,在蓝色、红色和绿色集群中,轻度疼痛的男性比例明显高于女性。集群 | 服用阿片类药物的男性,n (%) | 服用阿片类药物的女性,n (%) |
蓝色,男性(N=342)和女性(N=950) | 183例(53.5%) | 450例(47.4%) |
黑人男性(N=187)和女性(N=699) | 102例(54.5%) | 291例(41.6%) |
青色,男性221名,女性1074名 | 114例(51.5%) | 432例(40.22%) |
红色,男性(N=94)和女性(N=683) | 42 (44.7%) | 250例(36.6%) |
绿色,男性(N=155)和女性(N=1013) | 75例(48.4%) | 379例(37.41%) |
集群 | 男性用户,n (%) | 女性用户,n (%) | ||||
轻微的疼痛 | 中度疼痛 | 剧烈的疼痛 | 轻微的疼痛 | 中度疼痛 | 剧烈的疼痛 | |
蓝色的一个,男性485例,女性1340例。 | 108例(22.0%) | 266例(54.8%) | 111例(22.9%) | 205例(15.30%) | 775例(57.84%) | 360例(26.87%) |
黑人男性(N=348)和女性(N=1355) | 59 (16.9%) | 210例(60.3%) | 79例(22.7%) | 212例(15.65%) | 831例(61.33%) | 312例(23.02%) |
青色,男性(452)和女性(1937) | 93例(20.6%) | 256例(56.6%) | 103例(22.8%) | 346例(17.86%) | 1139例(58.80%) | 452例(23.33%) |
红色的b,男性295人,女性1709人。 | 70例(23.7%) | 159例(53.9%) | 66例(22.4%) | 292例(17.09%) | 1037例(60.66%) | 380例(22.23%) |
绿色b男性(N=496)和女性(N=2803)。 | 153例(30.8%) | 238例(48.0%) | 105例(21.2%) | 661例(23.58%) | 1540例(54.94%) | 602例(21.48%) |
一个Mild-severe (P=.008)和轻度-中度(P=.002)对与男性和女性性别有统计学显著相关。
b轻度-中度配对与性别显著相关(P≤04)。
讨论
主要研究结果
用于跟踪和记录疼痛的商业应用程序激增,以至于消费者和医疗保健提供者都面临着令人眼花缭乱的数据,几乎没有数据可以用来做出明智的选择。关于移动健康应用的疼痛文献通常侧重于应用验证、临床疗效或参与度,但没有其他研究将数据挖掘技术应用于慢性疼痛患者的大型用户数据库。有超过250个商业应用程序可供选择,用户在寻找最适合他们需求的应用程序时,几乎没有可靠的信息可供选择。本研究的结果深入分析了《Manage My Pain》应用的用户基础,并描述了与高用户粘性相关的因素。
本研究的主要目的是使用数据挖掘(聚类)方法,根据定义用户群的几个关键变量,分析《Manage My Pain》用户的参与模式。具体来说,我们根据用户的性别和对应用程序的参与程度对用户进行分类。目前的研究结果在几个方面都是新颖的。首先,据我们所知,这是第一次应用聚类方法来描述大量报告慢性疼痛的日常用户使用疼痛监测应用程序的模式和参与情况。我们使用了18,324名用户的样本,他们记录了至少2次疼痛发作,总共产生了超过500,000条记录。使用k-means聚类方法,根据用户使用频率和使用寿命,将用户分为5个不同的用户粘性组。蓝色和黑色集群分别由高寿命和大量和少量记录的个人组成,而红色和绿色集群由低寿命和相对较少记录的个人组成。青色群集代表寿命较低的个体和相对较多的记录。然后,我们检查了5组患者在性别、年龄、疼痛状况数量、疼痛药物数量、阿片类药物使用和疼痛严重程度评分方面的差异。
参与程度最高的组(蓝色组和黑色组),其区别在于应用程序使用的频率,而不是使用时间的长短,差异仅在于蓝色组的止痛药数量多于黑色组。除此之外,这些集群在相对性别构成、年龄、报告的疼痛状况数量和使用阿片类药物的比例方面相似。这些最活跃的群体共有4802人,他们使用该应用的平均时间为1年。与参与度较低的集群(红色和绿色)相比,相对于男性和女性的总数,参与度较高的集群(1)更有可能是男性;(2)显著衰老;(3)报告的疼痛状况明显增多;(4)更有可能成为阿片类药物使用者。
另一个可能重要的结果与5个集群内的性别分布有关。除了青色外,每个群体中男性和女性的比例都明显不同于预期的偶然结果。然而,根据用户粘性,这一比例存在显著差异。在参与度最高的用户群(蓝色和黑色)中,男性用户占总样本的比例明显大于女性。相反,在参与度最低的用户群(绿色和红色)中,女性用户所占的比例明显高于男性。虽然只有11.33%(2076/ 18324)的用户是男性,49.90%(9144/ 18324)的用户是女性,但数据表明,男性注册后,他们比女性更有可能使用该应用更长的时间和更稳定。在高度参与的群体中,男性的比例高于女性,这很有趣,因为男性通常比女性更不积极地参与自己的医疗保健[
- ]。例如,女性比男性更频繁地访问初级保健提供者[ , 并更多地遵循医生的建议[ ]。在一项针对370万在英国初级保健医生处注册的患者的研究中,男性的咨询率比女性低32%,其中16岁至60岁患者的性别差异最大[ ]。寻求医疗保健的行为在女性中也比男性中更频繁,这些人遭受了颈部扭伤,我们可以合理地预计他们会有疼痛[ ]。使用和接受移动医疗技术方面的性别差异可能有助于解释目前的结果[
, ]。与女性更大的求医行为相反,男性比女性更有可能采用移动医疗技术[ ]。此外,尽管男性倾向于认为移动健康应用程序有助于避免健康问题并从中受益,但女性却并非如此。 ]。我们认为,在高度参与的群体中,男性的比例高于女性,这可能与基于移动的媒介有关,通过移动媒介,疼痛相关信息被自我监测和记录。对于高度投入的男性来说,使用移动疼痛应用程序可能比高度投入的女性更具吸引力,并且可能是增加男性接受医疗保健行为的一种方式。疼痛严重程度和性别之间的关系表明,总体而言,对于蓝色,红色和绿色的集群,男性轻度疼痛和中度疼痛的比例明显低于单独偶然的预期。在已发表的文献中,这并不令人惊讶,因为在疼痛状况下,男性的疼痛程度往往低于女性[
]。然而,值得注意的是,这种模式也适用于蓝色集群中轻度和重度疼痛的男性,如前所述,蓝色集群是最活跃的集群,寿命长,记录数量多。此外,这是男性用户占总样本比例明显大于女性的集群之一,这表明一旦男性注册,他们更有可能比女性更持久地使用该应用。蓝色集群中疼痛严重程度的性别关联表明,该集群中男性的高参与度似乎并不是由疼痛严重程度驱动的,这在一定程度上可能是女性的情况。与已发表的文献一致,表明女性比男性更有可能参与多种用药[
, ],目前的研究结果表明,所有群体中的女性报告服用的止痛药数量都高于男性。同样,在除红色集群外的所有集群中,报告使用阿片类药物的男性比例明显高于女性。这些数据与之前的报告一致,报告普遍发现慢性疼痛的男性使用阿片类药物的频率高于女性[ ]。治疗研究的结果[ ]显示,在治疗前,使用阿片类药物的女性比男性少,女性比男性年轻。这种模式似乎与最近的一项研究一致[ ],该研究表明,尽管患有慢性疼痛的男性使用阿片类药物的频率高于女性,但总体而言,使用频率随着年龄的增长而下降。例如,25岁至44岁的慢性疼痛女性中有81%报告使用阿片类药物,而45岁至64岁的男性中有76.5%报告使用阿片类药物。因此,目前的结果也可能反映了高敬业度男性比高敬业度女性年龄大的事实。鉴于最近的“阿片类药物流行”是慢性、非癌症疼痛患者、医疗保健提供者、监管机构和政府日益关注的焦点,这些结果非常有趣和重要。 , ]。通过跟踪未来几年阿片类药物的使用和疼痛严重程度,我们将能够提供重要的“管理我的疼痛”用户数据,了解美国新的阿片类药物处方指南在多大程度上[ ]及加拿大[ ]与这些参数的变化有关。de la Vega和Miró [
商业部门和科学界在各自的应用程序开发和评估方法方面的合作。在科学文献中评估的34个与疼痛相关的应用程序中,没有一个在任何一个主要的在线应用程序商店中可用。相比之下,在280多个与疼痛相关的商业应用程序中,没有一个是科学出版物的主题。目前,“管理我的疼痛”的开发者、研究疼痛的科学家和数据挖掘专家之间的合作,试图解决这种不匹配问题,并为疼痛研究开辟一个新的方向。通过评估消费者如何参与和使用商业应用程序来监测和跟踪疼痛的趋势,我们可以开始了解传统上更难参与的人群的动机(例如,患有多种疼痛状况的男性)。结论
这是第一个使用数据挖掘(聚类)方法来分析来自移动疼痛应用程序Manage My pain的数据的研究,根据定义用户群的几个关键变量。为了更好地了解谁在使用移动疼痛应用“管理我的疼痛”,我们对18324名用户进行了聚类分析,这些用户至少记录了两次疼痛发作,并在应用中输入了537,853条记录。根据用户的参与模式,我们将用户分为5个聚类。在这些集群中,根据应用使用的寿命和频率,有2个集群被认为具有较高的用户粘性。所有5组患者首先以性别为特征,然后以年龄、疼痛状况数量、目前使用的药物数量、阿片类药物使用和疼痛严重程度评分为特征。尽管该应用的大多数用户都是女性,但聚类分析表明,男性用户更有可能高度参与该应用。在男性和女性的相对构成方面,高参与度用户集群与其他集群不同,前者的男性比例大于后者。此外,在参与度最高的群体中,用户自我报告的疼痛状况数量较多,目前使用的药物数量较多,阿片类药物使用的发生率较高。我们认为,对于高度投入的男性来说,使用移动疼痛应用程序可能比高度投入的女性更有吸引力,对于那些相对更复杂的慢性疼痛情况来说也是如此。移动疼痛应用程序,如“管理我的疼痛”,可能是一种提高男性和患有复杂慢性疼痛的人普遍接受医疗保健行为的方法。
致谢
QAR由加拿大自然科学与工程研究委员会(NSERC)支持。JK得到了加拿大一级健康研究所加拿大约克大学健康心理学研究主席的支持。HC获得了多伦多大学麻醉学系的优秀奖。JMH是约克大学的研究主席。
利益冲突
TJ是管理生活公司的创始人兼首席执行官。JK和HC是管理生命顾问委员会的无偿成员,为产品和公司的研究计划提供指导。
参考文献
- 陈建军,陈建军,陈建军,陈建军,陈建军。手机应用对健康行为改变的影响。J Telemed Telecare 2016年10月18日[CrossRef] [Medline]
- Ramirez V, Johnson E, Gonzalez C, Ramirez V, Rubino B, Rossetti G.评估患者对移动医疗技术的使用:一项初级保健诊所的观察性研究。JMIR移动健康Uhealth 2016年4月19日;4(2):e41 [j]免费全文] [CrossRef] [Medline]
- Stinson JN, Jibb LA, Nguyen C, Nathan PC, Maloney AM, Dupuis LL等。构建实时多维智能手机应用程序的有效性和可靠性,以评估儿童和青少年癌症患者的疼痛。中国生物医学工程学报(英文版);2015;36(12):267 -2615。[CrossRef] [Medline]
- 瑞卡德N, Arjmand H, Bakker D, Seabrook E.开发一种支持情绪健康自我监控的手机应用程序:一种心理健康数字创新。中华医学杂志;2016年11月23日;3(4):e49 [j]免费全文] [CrossRef] [Medline]
- 李建军,李建军,李建军,等。健康指导降低社会经济地位较低的2型糖尿病患者的HbA1c:一项随机对照试验。医学互联网研究2015 Oct 05;17(10):e224 [J]免费全文] [CrossRef] [Medline]
- Rollo ME, Aguiar EJ, Williams RL, Wynne K, Kriss M, Callister R,等。电子健康技术支持糖尿病自我管理中的营养和身体活动行为。糖尿病杂志2016;9:381-390 [j]免费全文] [CrossRef] [Medline]
- St Sauver JL, Warner DO, Yawn BP, Jacobson DJ, McGree ME, Pankratz JJ,等。病人为什么要去看医生:评估美国特定人群中最普遍的疾病。中国临床医学杂志2013;88(1):56-67 [j]免费全文] [CrossRef] [Medline]
- Lalloo C, Jibb LA, Rivera J, Agarwal A, Stinson JN。“有一个疼痛应用程序”:回顾针对患者的智能手机疼痛管理应用程序。中华临床杂志;2015;31(6):557-563。[CrossRef] [Medline]
- de la Vega R, Miró J.移动健康:没有坚实科学灵魂的战略领域。对疼痛相关应用程序的系统评估。科学通报,2014;9(7):e101312 [j]免费全文] [CrossRef] [Medline]
- Wallace LS, dhinggra LK.在美国可下载的慢性疼痛智能手机应用程序的系统综述。阿片类药物管理杂志;2014;10(1):63-68。[CrossRef] [Medline]
- Rosser BA, Eccleston C.疼痛管理的智能手机应用。中国电信学报;2011;17(6):308-312。[CrossRef] [Medline]
- ManagingLife Inc .)控制我的痛苦。URL:https://www.managinglife.com[访问日期:2017-04-10][WebCite缓存]
- Gendreau M, Hufford MR, Stone AA。测量慢性广泛性疼痛的临床疼痛:选定的方法学问题。中华临床风湿病杂志2003;17(4):575-592。[CrossRef] [Medline]
- ManagingLife Inc .)隐私政策。URL:https://www.managinglife.com/privacy[访问日期:2017-04-10][WebCite缓存]
- 杨建军,杨建军,张建军,等。糖尿病周围神经病变引起的轻、中、重度疼痛的切点识别。2005年5月;115(1-2):29-36。[CrossRef] [Medline]
- 卢梭等。聚类分析在数据中的应用。霍博肯:Wiley-Interscience;2005.
- Fraley C, rattry AE。基于模型的聚类、判别分析和密度估计。[J]社会科学与技术,2002(2):1- 7。[CrossRef]
- 统计计算R项目。2016。URL:http://www.r-project.org/[访问日期:2017-04-10][WebCite缓存]
- 李建军,李建军,李建军,等。2017。包的数据。表的网址:https://cran.r-project.org/web/packages/data.table/data.table.pdf[访问日期:2017-07-05][WebCite缓存]
- 刘建军,刘建军,刘建军,刘建军。利用保健服务方面的性别差异。[J]中华医学杂志,2000;49(2):147-152。[Medline]
- Thompson AE, Anisimowicz Y, Miedema B, Hogg W, Wodchis WP, Aubrey-Bassler K.性别和其他患者特征对就诊行为的影响:一项QUALICOPC研究。BMC Fam实践2016年3月31日;17:38 [免费全文] [CrossRef] [Medline]
- 王颖,亨特K,拿撒勒I,弗里曼特尔N,彼得森I.男性咨询比女性少吗?例行收集的英国一般实践数据的分析。中国医学杂志2013;8 (8):e003320 [j]免费全文] [CrossRef] [Medline]
- 钟立民,李建军,李建军,李建军,李建军,等。心力衰竭患者坚持限钠饮食的性别差异J Card Fail 2006 Oct;12(8):628-634 [J]免费全文] [CrossRef] [Medline]
- 王晓明,王晓明,王晓明,等。职业颈椎扭伤患者心理健康状况的性别差异:研究进展。24.欧洲公共卫生杂志2014;[CrossRef]
- 张霞,郭霞,赖凯,郭峰,李晨。理解移动医疗采用中的性别差异:一个修正的理性行为模型理论。电信电子卫生杂志,2014,20(1):39-46。[CrossRef] [Medline]
- 郭霞,韩霞,张霞,党艳,陈晨。基于保护动机理论的移动医疗接受度研究:性别和年龄差异。中华卫生杂志;2015;21(8):661-669。[CrossRef] [Medline]
- 李建民,李建民,李建民,等。疼痛的性别差异:临床和实验结果的简要回顾。[J]中国生物医学工程学报,2013;31 (1):591 - 591 [J]免费全文] [CrossRef] [Medline]
- 李丽娟,王丽娟。性别差异对疼痛药物的影响。妇女健康(长)2009年1月;5(1):79-90。[CrossRef] [Medline]
- Darnall BD, Stacey BR。长期阿片类药物使用的性别差异:女性处方的注意事项。实习医师2012年3月12日;172(5):431-432 [j]免费全文] [CrossRef] [Medline]
- Witkin LR, Zylberger D, Mehta N, Hindenlang M, Johnson C, Kean J,等。慢性疼痛门诊患者报告的结果和阿片类药物的使用。中国生物医学工程学报;2017;18(5):583-596。[CrossRef] [Medline]
- 杨建军,刘建军,刘建军,等。慢性疼痛康复治疗的临床研究进展。中华康复杂志;2016;33 (1):83-94 [J]免费全文] [CrossRef] [Medline]
- “一刀切”并不适用于长期使用阿片类药物的慢性疼痛患者。中国医学杂志2017年05月04日;1(1):2-7。[CrossRef]
- Sullivan MD, Howe CQ。阿片类药物治疗慢性疼痛在美国:承诺和危险。中国生物医学工程学报(英文版);2013年12月1日免费全文] [CrossRef] [Medline]
- Dowell D, Haegerich TM, Chou R. CDC慢性疼痛阿片类药物处方指南-美国,2016。MMWR建议报告2016年3月18日;65(1):1-49。[CrossRef]
- Busse JW, Craigie S, Juurlink DN, Buckley DN, Wang L, Couban RJ,等。阿片类药物治疗和慢性非癌性疼痛指南。CMAJ 2017 05月08日;189(18):E659-E666。[CrossRef] [Medline]
缩写
方差分析:方差分析 |
HSD:诚实显著差异 |
健康:移动健康 |
G·艾森巴赫编辑;提交15.04.17;C . Lalloo, S . Della Rosa, S . Barbieri, N . Bragazzi的同行评审;对作者10.05.17的评论;收到07.06.17修订版本;接受28.06.17;发表12.07.17
版权©Quazi Abidur Rahman, Tahir Janmohamed, Meysam Pirbaglou, Paul Ritvo, Jane M Heffernan, Hance Clarke, Joel Katz。最初发表于JMIR Mhealth and Uhealth (http://mhealth.www.mybigtv.com), 2017年7月12日。
这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品首先发表在JMIR mhealth和uhealth上,并适当引用。必须包括完整的书目信息,到http://mhealth.www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。