改善2型糖尿病自我管理的移动应用程序:多中心实用随机对照试验

介绍

2型糖尿病(T2DM)的全球负担持续增加，预计到2035年全球近9%的人口将患有T2DM [1］．2型糖尿病患病率的上升将给卫生系统带来压力，需要对这些患者进行适当管理，以避免糖尿病并发症。优化血糖控制和其他危险因素的自我管理，结合药物治疗可能是改善患者预后的有效方法[2-5］．虽然自我管理传统上是通过面对面的教育项目提供的，但这是资源密集型的，移动技术的进步提供了向患者提供有效的自我管理支持的机会，既方便又具有潜在的成本效益。6-9］．

有越来越多的手机应用程序旨在改善2型糖尿病患者的自我管理[10-12]，尽管很少有经过严格评估的。一款名为BlueStar的糖尿病管理应用程序被证明可以显著降低血红蛋白a，这是一款智能手机应用程序，旨在为患者提供虚拟教练_{1 c}(HbA_{1 c})水平，由初级保健医生观察[13］．因此，蓝星是美国第一个获得食品和药物管理局批准的移动处方疗法应用程序[14］．然而，此前使用蓝星进行的研究规模较小，且研究对象相对均匀[13］．因此，尚不清楚这些研究的结果是否可以推广到其他物种现实世界的不同临床地点的人口。此外，针对慢性病移动应用程序的多项研究强调了情境和实施因素的重要性，包括临床医生培训、与现有工作流程的整合以及临床医生与患者的持续接触，这些都是临床结果的重要影响因素[15]，但之前的研究并没有设计来评估这些因素。

本研究的目的是对血糖控制不佳的2型糖尿病患者进行一项实用的蓝星移动应用程序随机对照试验，以确定使用该应用程序是否会改善HbA_{1 c}与现实临床环境中的对照组相比。我们假设这个移动应用程序将改善患者的自我管理，最终，使用该应用程序的患者将改善HbA_{1 c}与对照组相比。

方法

设置

参与者从加拿大安大略省的3个医院糖尿病教育项目(dep)中招募。加拿大安大略省的大多数保健服务是通过公共资助的安大略省健康保险方案(OHIP)供资的，该方案涵盖医生提供的医疗必要服务，包括初级、专科和紧急护理。2型糖尿病患者通常从家庭医生那里获得大部分糖尿病治疗，家庭医生可能有也可能没有额外的多学科支持。此外，OHIP还包括dep提供的服务，这些服务是多学科的，非医生主导的项目，旨在提供糖尿病自我管理教育和自我管理支持[16］．这3个招聘地点包括:(1)位于大城市中心城区的DEP(约200万人口)，(2)位于该省偏远地区的中型城市(约15万人口)，以及(3)位于大城市中心周围的半城市地区(约60万人口)。这些诊所为各种各样的病人提供服务，包括大量的移民社区、农村病人和大量的土著居民。这些项目的服务是通过患者的初级保健提供者(PCP)提供的初级保健的补充，通常不包括药物滴定。

试验设计

该研究包括一项多中心、实用的随机对照试验和盲法结果评估，旨在评估BlueStar应用程序的有效性。该方案的完整描述已在先前发表[17］．持有HbA卡的参与者_{1 c}在接受糖尿病管理支持的3名dep中招募水平高于8.0%的患者，并按1:1的比例随机分为2组:(1)立即治疗组(ITG)或(2)等候名单对照组(WLC)。ITG立即接受干预，总共持续6个月。WLC组在前3个月接受常规护理，然后他们接受干预并使用该应用程序总共3个月。在基线、3个月和6个月时测量结果。

参与者

符合以下条件的参与者被纳入研究:(1)年龄大于18岁的成年人;(2)在参与的DEP接受T2DM治疗;(3) HbA_{1 c}最近3个月内的最新实验室报告≥8.0%(且至少比参与者的目标水平高1%);(四)正在使用或者能够并且愿意获得一个有效的电子邮件地址;(5)能够阅读英语(自我报告)。如果患者患有1型糖尿病，持续血糖监测，有胰岛素泵，透析，怀孕，或由于严重的精神或身体损伤而无法使用电脑或手机，则排除在外。

招聘流程

潜在的参与者由每个站点的临床医生在参与DEP的定期预约中确定。那些想要获得更多信息的人与站点协调员会面，并获得了一份关于干预的小册子和一份研究同意书的副本以供审查。如果有兴趣，现场协调员将促成参与者和研究助理之间的电话联系，以获得口头同意。然后，参与者被随机分为两组中的一组。基线问卷由研究助理在当时或随机分组后2周内通过电话完成。随机分配到ITG的患者将与现场协调员会面，接受装有蓝星应用程序的手机以及由安大略省远程医疗网络设计的培训课程。WLC组的参与者将在3个月内与现场协调员预约，接受他们的干预和培训。

分配

随机化由加拿大多伦多圣迈克尔医院李嘉诚知识研究所应用健康研究中心(AHRC)以集中方式进行。受试者随机化由计算机生成，并通过REDCap按地点分层，使用块大小为2或4 [18]，这是一个基于网络的电子数据输入系统。一旦参与者完成基线问卷，集中研究助理访问随机化序列，并告知患者他们的分配，接受2种治疗中的1种，采用1:1随机化方案(ITG或WLC)。

干预

干预措施是蓝星移动应用程序，旨在充当2型糖尿病患者的虚拟教练。这款应用预装在连接蜂窝网络的三星智能手机上(其他所有功能都被禁用)。这款手机连接了一个用于互联网连接的蜂窝数据计划，并能够连接到当地的Wi-Fi网络。如果参与者在没有互联网连接的情况下使用该应用程序，当手机恢复互联网连接时，信息将被保存并上传到安全服务器。患者可以在应用程序中输入与T2DM管理相关的信息，包括基线健康状况、每日血糖读数、运动活动和食物摄入量(见多媒体附录1)。该应用程序利用这些信息实时提供定制的、基于证据的信息，旨在影响动机、行为和教育。这些信息基于行为改变的跨理论模型，包括教育和肯定的内容，以鼓励持续的行为改变。教育信息与美国糖尿病教育者协会的护理标准一致[19］．该应用程序还促进了数据传输到用户的临床医生通过聪明的访问报告提供当前糖尿病管理的临床概况，包括最近的血糖读数。

在研究的前3个月，WLC组患者接受DEP及其初级保健医生的常规糖尿病护理。为了与实用试验的原则保持一致，参与者接受的常规护理没有标准化[20.］．

结果和数据收集

该试验的主要结局是通过HbA测量血糖控制_{1 c}3个月的水平。次要结果评估干预对患者自我管理、护理体验和自我报告的健康利用的影响，采用患者报告的结果测量和患者报告的体验测量。这包括用两种有效的糖尿病量表测量患者的自我效能，糖尿病的问题领域21]及糖尿病自我护理活动摘要[22]，以及使用EuroQol-5D (EQ-5D)测量生活质量[23］．

数据由研究助理集中收集，并输入REDCap数据库。在3个月和6个月时评估所有结果。干预可用性是另一个次要结果，通过移动应用程序评分量表的改编版本进行评估。应用使用率数据是通过应用程序定期收集的。使用率指标包括每周的平均用户数量和每周使用每个功能的频率。

统计分析

患者特征和基线HbA_{1 c}使用描述性统计总结水平，包括连续变量的均值和SD，分类变量的比例。根据意向治疗原则对数据进行分析。主要分析采用协方差分析(ANCOVA)对所有完整病例进行分析。还进行了二次分析，调整了研究地点、糖尿病诊断时间、种族和DEP时间。通过识别纳入数据和未纳入数据之间的所有显著差异特征，然后将这些特征添加到主要模型中，并假设数据至少是随机缺失的，从而进行敏感性分析以探索缺失数据的影响。自我报告的健康利用数据，包括低血糖发作、初级保健医生就诊、专科医生就诊、急诊科就诊和住院，被转换为二元结果(事件vs无事件)，并使用逻辑回归模型进行分析。

6个月后，HbA_{1 c}使用配对方法比较ITG参与者的水平t测试以寻找干预的持续影响。应用程序使用数据进行描述性分析，包括按站点和功能的使用频率(每周平均使用次数)。一项评估应用使用对3个月HbA影响的探索性分析_{1 c}糖尿病问题区(PAID)量表值采用控制基线值的一般线性模型进行。

假设ANCOVA分析与基线和随访HbA之间的估计相关性来确定功率_{1 c}测量值0.80。检测HbA卡差异0.7%的功率_{1 c}基于255个样本量(假设300名参与者的目标样本量的退出率为15%)，在3个月时，治疗组之间使用2%的SD水平为99.7%，显著性水平为5%。

结果

研究参与者

根据研究标准确定潜在参与者，并在2016年6月至12月期间登记参加研究。我们邀请了463名患者;其中，145人不感兴趣，74人无法获得随访，5人未完成基线问卷(图1)。240名参与者完成了随机化，但17名参与者(8名在WLC组，9名在ITG组)因为合格的HbA被排除在外_{1 c}< 8.0%。因此，223名参与者被纳入研究。在随访中，77.1%(172/223)的参与者完成了基线HbA_{1 c}而65.5%(146/223)完成了主要结局(HbA)_{1 c}3个月时的水平)。基线特征的比较显示，完成主要结果的患者与未完成主要结果的患者之间没有显著差异，除了非白人患者更不可能进行3个月的HbA_{1 c}值(多媒体附录2)。总共有120名参与者(WLC组63名，ITG组57名)同时具有基线和3个月HbA_{1 c}值完成。

‎ 查看此图

表1总结研究人群的人口学特征。患者的年龄、性别、种族、教育程度和家庭收入等特征没有显著差异。约18.0%(40/223)的参与者在过去6个月内被诊断为T2DM，而39.5%(88/223)的参与者被诊断为T2DM超过5年。平均HbA卡_{1 c}研究人群的水平为8.96% (SD 1.68)，两个研究组之间相似，两组之间胰岛素的使用相似。其他临床特征，包括基线药物使用和合并症，在各研究组相似(多媒体附录3)。

结果

主要的结果

图2显示HbA_{1 c}ITG和WLC组患者在基线、3个月和6个月时的水平。3个月时，未调整的平均HbA_{1 c}ITG组为8.22%，WLC组为8.41%。控制120名参与者(63名WLC和57名ITG)基线值的ANCOVA结果没有显示对HbA影响的证据_{1 c}ITG组3个月时的水平(平均差[ITG- wlc] - 0.42, 95% CI - 1.05 ~ 0.21;P= .19)。在调整研究地点、糖尿病诊断时间、种族和在DEP中花费的时间后，组间的这种不显著差异仍然存在(平均差异[ITG - WLC] - 0.12, 95% CI - 0.71 - 0.47)。

将上述模型中的120名参与者与103名HbA不完全参与者的基线特征进行比较_{1 c}排除数据和，以确定两个亚组之间是否存在系统差异。在调整主ANCOVA模型后，发现与完全HbA和不完全HbA相关的所有协变量_{1 c}数据(即，地点，自糖尿病诊断以来的时间，种族，抗抑郁药使用，血脂异常和肥胖)，治疗对3个月HbA的影响_{1 c}水平在统计学上仍然不显著(最小二乘校正平均差为- 0.33,95% CI为- 0.99至0.34)。

对ITG参与者的探索性分析，调查应用程序使用对3个月HbA的影响_{1 c}水平，同时调整基线HbA_{1 c}使用ANCOVA进行水平测定。只有57名参与者是完整的病例，并被纳入回归。每多使用一天应用程序，参与者3个月的HbA值就会下降0.016点_{1 c}水平(95% CI为- 0.03至- 0.003;P= .02点)。换句话说，额外使用应用程序25天对应于HbA卡_{1 c}减少0.4%。此分析的相关矩阵(多媒体附录4)发现增加锻炼功能与较低HbA之间存在弱相关性_{1 c}3个月时的水平(ρ_年代=−0.33;P= . 01)。对ITG参与者的分析，使用配对t在HbA测试中，没有显示出统计学上的显著差异_{1 c}3 ~ 6个月间的水平(平均差异0.16,95% CI - 0.48 ~ 0.81)。

二次结果

总体而言，在未调整模型和调整模型的干预组之间，患者报告的糖尿病自我护理行为(用PAID和糖尿病自我护理活动摘要-6测量)或一般健康状况(用EQ-5D测量)在3个月时没有差异。多媒体附录5)。此外，在3个月时，两组之间的医疗保健利用没有差异(表2)。一项针对63名ITG参与者的探索性分析调查了3个月后应用使用对付费得分水平的影响，并对基线得分进行了调整，但没有显示出显著性证据(95% CI - 0.28 ~ 0.091;P=收)。

‎ 查看此图

手机应用的使用和满意度

总体而言，ITG参与者的应用使用率较低，26周内平均登录天数为42.4天(SD为52.1天)，其中46.4%(51/110)的参与者使用应用的时间不超过10天。有一小部分高用户，18.2%(20/110)的参与者在182天的时间里使用了100天或更长时间。多媒体附录6显示了ITG参与者在26周内的平均登录天数，显示了随着时间的推移，平均使用率显著下降。血糖追踪是使用最多的功能，在14周内平均使用76.6次(SD 96.59)，而运动追踪的使用最少(平均26.7次[SD 53.4];看到图3)。值得注意的是，这张图还显示了不同站点使用情况的高度可变性。在前14周，站点2显示参与者登录天数最多(中位数为36天;四分位数范围[IQR] 10.5-124)，而站点3的参与者使用该应用程序的次数显著减少(中位数为9;差6-51)。站点1的使用率为中等(中位数为17;差7 - 72)。过去6个月内诊断为糖尿病的用户的参与度最高，以登录天数来衡量(中位数为24.5天;IQR 8.7-73.5)，而诊断超过5年的患者也有很高的参与度(中位数为18;差8 - 86)。

105名参与者完成了用户评分，以评估对这款应用的满意度。几乎一半的受访者(45.7 / 48/105)表示，他们会向所有喜欢他们的人推荐这款应用。此外，41.0%(43/105)的人表示，如果他们继续使用该应用程序，他们将使用该应用程序50次或更多。约有一半(53.3%，56/105)的人给出了4星到5星的评价，而39.0%(41/105)的人给出了3星的评价。当被问及是否愿意为这款应用付费时，大多数参与者(55.2%，58/105)表示不会。

‎ 查看此图

讨论

主要研究结果

本研究的目的是评估蓝星应用程序在现实世界的多站点实施中对糖尿病自我管理的临床影响。结果显示，干预组和对照组在以HbA测量的血糖控制的主要临床结果方面没有差异_{1 c}。此外，我们发现干预对测量糖尿病自我效能、生活质量和医疗保健利用行为的次要结局没有影响。值得注意的是，该应用程序的总体使用率相对较低，几乎一半的干预组用户很少使用该应用程序。许多应用程序功能利用率很低，包括饮食和运动跟踪，这些功能在T2DM自我管理中发挥了重要作用。10］．有一小部分高度参与的用户，探索性分析表明，这与应用程序的使用和HbA的改善有关_{1 c}3个月的水平分析表明，使用25天与HbA的改善有关_{1 c}水平下降0.4%，临床显著变化[24］．

据我们所知，这是评估2型糖尿病自我管理移动应用程序的最大的实用多站点试验，其结果与之前发表的糖尿病自我管理移动应用程序的研究结果相反。这些针对2型糖尿病移动应用程序的研究主要是在同质人群中进行的小型单点研究[8，25］．一项对10项T2DM应用研究的荟萃分析报告了HbA中度降低_{1 c}在使用应用程序的人中，0.55%的水平，所有的研究都报告了一些积极的好处。然而，这些研究的研究人群往往很小，10项研究中有8项将PCP的额外持续反馈作为干预的一部分[8］．同样，之前对同一手机应用程序的研究表明，HbA显着降低_{1 c}干预参与者的水平，只有30名参与者。此外，在该研究中，干预组接受了移动应用程序以及研究团队与医生和患者的多次随访互动[13］．与规模较小、接触程度较高的单点研究相比，这项大型多站点研究可能代表了对糖尿病健康应用程序在整个卫生系统中的影响的更现实的评估。

我们的研究结果表明，在评估用于慢性疾病管理的移动应用程序时，重要的是不仅要询问应用程序是否有效，还要询问应用程序在什么环境下有效，针对哪些患者有效，以及如何促进持续使用。总体而言，参与者对这款应用的使用率很低。然而，结果表明，环境因素，特别是网站，对应用程序的整体使用产生了重大影响。网站2的应用程序总体使用率和跨功能使用率几乎是网站3的两倍。尽管有全面的实施方案，但临床试验地点之间在培训临床医生、培训患者和与患者持续接触所花费的时间上存在实质性差异，使用最多的地点在实施上花费的时间和资源最多。此外，越来越明显的是，旨在改善慢性疾病自我管理的数字健康应用程序需要患者持续参与，这是临床影响的关键决定因素[26-30.］．因此，这些应用程序的成功实施和评估需要仔细考虑影响患者应用程序使用的因素[30.］．在这项研究中，新诊断为T2DM的患者的使用率明显高于6个月前诊断为T2DM的患者。先前的研究表明，年龄、内在动机和个人价值观等患者因素会影响移动医疗技术的使用[31］．这与本研究中对一部分患者进行定性评估的结果一致。研究发现，自我效能感、竞争优先级和对虚拟解决方案有用性的信念对应用程序的使用有重大影响[17］．

最近对影响参与数字卫生干预措施的因素进行的系统审查强调了患者因素以及参与和招募方法的重要性[32］．最近几项关于2型糖尿病应用程序的研究强调了实施的重要性，包括强有力的临床认可和持续的临床支持，以增加总体使用量[33，34］．一项定性研究表明，在一项评估T2DM自我管理应用程序的研究中，患者退出的主要原因是缺乏临床医生的支持。我们的补充性定性研究发现，应用程序使用率高的参与者认为医疗服务提供者和/或站点协调员是应用程序采用的重要支持来源。这与我们的定量发现相一致，即不同网站的应用使用差异至少在一定程度上是由执行差异所驱动的。数字健康应用的未来实施将受益于明确的努力，包括提高参与度的因素，包括强有力的临床认可、持续的医生参与和患者提醒。35］．

限制

本研究的几个限制值得讨论。重要的是，这项研究在检测HbA微小但可能仍然重要的差异方面能力不足_{1 c}的水平。这些研究的高辍学率为34.5%(77/223)，虽然与之前的电子健康(eHealth)研究一致，但可能导致低估了参与者的临床影响[36，37］．有几个研究设计因素可能导致应用程序使用率低，缺乏检测到的干预效果。在研究期间，参与者没有下载应用程序，而是在他们使用的另一部手机上进行干预，试图使资助者的实施标准化。然而，在之前的研究中，使用第二部手机进行电子健康干预一直是一个明显的障碍，未来的移动应用程序评估可能会受益于允许参与者在可能的情况下使用自己的智能手机[28］．鉴于之前关于糖尿病自我管理应用中初级保健参与的益处的证据，使用dep作为主要招募地点可能对入组、使用和临床影响产生负面影响[38，39］．所选dep的临床医生没有与PCP进行定期沟通，因此，没有可靠的途径来报告应用程序的使用或PCP可能的治疗增强。未来的实施，或类似的应用程序，可能会受益于整个研究过程中强有力的初级保健参与，他们可以通过包括药物滴定在内的直接治疗改变来支持自我管理。最后，如前所述，不同地点实施的显著差异也可能对地点的使用和检测临床效果的总体能力产生重大影响。

结论

在对糖尿病自我管理移动应用程序的大规模实际评估中，我们发现HbA没有显著差异_{1 c}干预组和对照组之间的水平。未来对患者和网站特定因素的研究将会增加应用程序的使用率。