用户参与移动医疗糖尿病管理的真实世界证据:纵向观察研究gydF4y2Ba

介绍gydF4y2Ba

背景及目的gydF4y2Ba

糖尿病导致血糖升高，因为身体不能产生任何或足够数量的胰岛素，或者不能有效地处理胰岛素。由于血糖水平长期升高，患者出现危及生命的并发症的风险增加[gydF4y2Ba1gydF4y2Ba]。虽然对于早期2型糖尿病(T2D)患者，健康的饮食、运动和减肥可能足以维持接近正常的血糖，但1型糖尿病(T1D)或进展中的T2D患者需要胰岛素治疗和更密集的血糖监测[gydF4y2Ba2gydF4y2Ba]。因此，如果治疗得当，并发症可以避免或延迟，但这需要彻底的自我护理和坚持治疗[gydF4y2Ba3.gydF4y2Ba]。gydF4y2Ba

持续的数字革命，加上糖尿病的日益流行，催生了大量的移动健康(mHealth)应用程序，为糖尿病患者的自我监测和治疗指导提供了新的机会。gydF4y2Ba4gydF4y2Ba]。提供健康信息、药物提醒、远程监测和移动分析等功能可以提高用户的健康素养，支持患者在控制疾病方面发挥更积极的作用，并促进坚持治疗[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba]。此外，移动医疗可以实现患者和卫生保健专业人员(hcp)之间的数据共享，这可以支持改进的患者- hcp对话[gydF4y2Ba6gydF4y2Ba]。因此，如果利用得当，移动医疗可能是一个提高医疗质量的机会，同时也有可能降低医疗保健系统的成本。gydF4y2Ba7gydF4y2Ba-gydF4y2Ba9gydF4y2Ba]。gydF4y2Ba

另一方面，数字能力低或技术可用性有限等因素可能会降低移动医疗的使用和成本效益。此外，资料私隐可能是病人关注的问题，并可能导致使用者省略使用或输入虚假资料[gydF4y2Ba10gydF4y2Ba，gydF4y2Ba11gydF4y2Ba]。此外，由于市场上有超过30万个具有不同关键功能的健康应用程序，因此患者和医疗保健提供者很难为个体患者选择最合适的应用程序[gydF4y2Ba12gydF4y2Ba]。gydF4y2Ba

尽管针对糖尿病患者的移动健康的种类和受欢迎程度正在增加，但关于谁使用这些应用程序、用户的参与度和应用程序的有效性的证据有限[gydF4y2Ba11gydF4y2Ba]。来自美国和德国的调查显示，健康应用程序的用户是年轻人;更多的是女性;受过高等教育，收入较高，有较好的健康素养[gydF4y2Ba13gydF4y2Ba-gydF4y2Ba16gydF4y2Ba]。然而，这些研究分析了一般的健康应用程序，忽略了特定疾病的使用特征。类似地，探索用户粘性的研究通常侧重于糖尿病以外的其他疾病领域[gydF4y2Ba17gydF4y2Ba-gydF4y2Ba20.gydF4y2Ba]。一项系统回顾分析了T2D患者基于技术的干预措施的用户参与模式，强调需要研究报告参与度，检查用户特征与参与度之间的关联，并规范用户参与度的报告方式[gydF4y2Ba21gydF4y2Ba]。gydF4y2Ba

目标gydF4y2Ba

本研究探讨了诺和诺德(Novo Nordisk)的基石4care (C4C)糖尿病患者支持应用程序(该应用程序)获得的真实数据。本研究的目的是研究移动健康在糖尿病患者中的使用情况，这里以应用程序的用户为代表。特别是，本研究旨在分析用户与应用程序的互动程度，并确定与应用程序互动相关的患者特征。解决这些目标将有助于了解移动健康应用程序如何有效使用，以及哪些领域可以优化。gydF4y2Ba

方法gydF4y2Ba

应用程序的总体概述gydF4y2Ba

C4C是一项针对糖尿病患者的美国患者支持项目，由诺和诺德公司资助。的选项gydF4y2Ba基石4care由Glooko提供支持gydF4y2Ba该应用程序自2017年6月推出，截至2019年10月，约有3万用户安装了该应用程序，并同意将数据用于研究目的。安装不需要HCP的处方。患者支持计划和应用程序提供信息材料和工具来监测营养、健身、药物和血糖水平(模块)。该应用程序允许用户同步来自血糖仪、连续血糖监测(CGM)设备、胰岛素泵以及外部健身和健康设备的数据。此外，用户还可以查看历史数据和趋势图，设置检测BG或服药提醒，并添加自定义备注。因此，它汇集了与有效疾病管理相关的不同糖尿病数据。除此之外，该应用程序还允许患者和HCP之间共享数据。gydF4y2Ba

研究结果gydF4y2Ba

在评估用户如何参与移动医疗时，一个主要的挑战是缺乏对如何评估用户参与的共识[gydF4y2Ba22gydF4y2Ba]。因此，我们基于一个理论框架来选择参与度指标，该框架将用户对技术的参与度定义为一个由4个不同阶段组成的进步:参与度点、持续参与度期、脱离参与度和再参与度[gydF4y2Ba23gydF4y2Ba]。我们建立了6个衡量用户粘性的指标。gydF4y2Ba表1gydF4y2Ba总结了概念框架在本研究中的应用。gydF4y2Ba

为了解释审查，即对最近下载该应用程序的用户的观察期较短，我们将样本限制在2019年4月26日之前开始使用该应用程序的用户，并在启动后的前180天内评估用户活动。gydF4y2Ba

核心指标是用户活动比率(UAR)。它计算用户的活动天数(即至少有一个条目的天数)gydF4y2Ba我gydF4y2Ba在模块gydF4y2Ba米gydF4y2Ba，除以潜在活动日数(这里是180天):gydF4y2Ba

除此之外，我们还调查了gydF4y2Ba活动推迟gydF4y2Ba，这反映了从同意日期到首次积极使用之间的天数。此外，正如Rahman等人提出的[gydF4y2Ba18gydF4y2Ba]，gydF4y2Ba长寿gydF4y2Ba捕获从初始使用到最终条目的时间(最多180天)。gydF4y2Ba持久性gydF4y2Ba表示180天内至第一次停药的天数，其中停药定义为同时无活性的时间间隔为180天。允许差距的大小是基于所有平均用户差距的0.9个百分点。如果用户没有停止使用，则持久性设置为180。根据Taki等人[gydF4y2Ba20.gydF4y2Ba]彼得森和卡拉比斯[gydF4y2Ba24gydF4y2Ba，我们也评估了gydF4y2Ba近因gydF4y2Ba，它被定义为每个用户活跃天数之间的平均时间。为了量化gydF4y2Ba规律gydF4y2Ba对于活动量，我们还计算了活动日间隔时间的变异系数，即活动日间隔时间的标准差除以近代性。这个数字允许在模块之间进行直接比较。gydF4y2Ba

最后，我们计算了UAR的备选版本，其中潜在活动天数作为(1)寿命或(2)持久性。gydF4y2Ba

除了参与外，这些指标还反映了数据收集的时间和数量，从而反映了丰富的健康信息的可用性。计算非线性数据的肯德尔相关性以评估指标的冗余性。所有参数都是针对这5个模块和整个应用进行计算的。gydF4y2Ba

C4C数据gydF4y2Ba

C4C数据集包括从应用发布(2017年6月28日)到2019年10月21日期间收集的所有应用条目(手动和自动)。数据集按照app的5个主要模块进行构建，分别是:gydF4y2Ba食物摄入量gydF4y2Ba，gydF4y2Ba锻炼gydF4y2Ba，gydF4y2Ba药物的摄入gydF4y2Ba，gydF4y2BaBGgydF4y2Ba,gydF4y2BaCGMgydF4y2Ba．此外，它还包含用户的基本信息。该应用程序不包含个人身份数据，用户已同意共享数据。这些数据被汇总起来进行分析。gydF4y2Ba

用户信息gydF4y2Ba

用户基本信息包括同意信息(如同意日期)、社会人口统计数据(年龄和性别)、糖尿病类型、体重测量值(最近的身高和体重)和药物概况(药物类型、药物名称和用户表示开始治疗的时间)。自我报告的年龄是使用该应用程序时必须共享的唯一信息。如果有身高和体重信息，我们会计算用户的BMI。gydF4y2Ba

在用药资料的基础上，我们进一步提取用户是否注册过胰岛素(是=1，否=0)、其他注射剂(是=1，否=0)、口服药物(是=1，否=0)、注册药物总数、口服药物的确切数量。在药物名称的基础上，我们还提取了用户是否注册了速效胰岛素(是=1，否=0)，因为他们代表了T1D和进展中的T2D患者，因此可能需要更密切的监测。由此产生的治疗方案信息作为疾病严重程度的代表。gydF4y2Ba

此外，我们结合糖尿病类型和药物概况的信息来确定用户是否是新诊断的。如果在同意日期前180天内开始胰岛素治疗，则认为T1D患者是最近诊断的。如果(1)T2D患者的治疗仅限于二甲双胍，这是T2D患者典型的一线治疗药物，(2)在同意日期前180天内开始治疗，则认为T2D患者是最近诊断的。gydF4y2Ba

食物摄入量gydF4y2Ba

食物摄入的数据包括碳水化合物、脂肪、蛋白质和卡路里的信息。用户可以手动输入餐点，从列表中选择餐点，或者扫描食品杂货的条形码。数据集存储了用户指示的食物消耗时间和标记数据条目的时间戳。gydF4y2Ba

锻炼gydF4y2Ba

运动数据提供了用户每日活动的摘要，包括持续时间、距离、燃烧的卡路里、步数、楼层和海拔。用户可以手动输入活动，从列表中选择一个活动，或者与外部健康应用程序同步(因为必须打开应用程序才能同步，我们的参与度指标可以作为[部分]自动化模块中用户活动的代理)。数据集包括用户每日活动汇总的日期以及数据记录的时间戳，即用户手动输入或从外部应用程序同步的日期。gydF4y2Ba

药物的摄入gydF4y2Ba

关于药物摄入的数据包含注册药物的信息，包括名称、类型(口服、胰岛素和其他注射剂)和剂量。用户可以从预定义的列表中选择药物，也可以手动输入。数据包括用户指示服药的时间和标记用户数据输入的时间戳。gydF4y2Ba

BG值gydF4y2Ba

该应用程序允许存储BG仪表获得的BG值(mg/dL)。血糖仪是一种用于测定血液中葡萄糖浓度的医疗设备。它可以检测手指刺破的毛细血管血液中的糖水平。数据集包含BG测量时间信息和数据输入时间戳(用户手动输入或通过蓝牙从BG设备同步);此功能仅适用于几个BG米)。此外，用户还可以添加标签，表明读数是在禁食期间还是餐后进行的。膳食标签也可以从BG计同步。如果可用，我们使用这些信息来评估用户的基线BG，即他们的第一次餐前血糖测量或他们在夜间(上午5点至上午9点)后的第一个值是否得到了很好的控制(是=1，否=0)。80-130毫克/分升的阈值是从美国糖尿病协会(ADA)的官方建议中采纳的[gydF4y2Ba25gydF4y2Ba]。gydF4y2Ba

CGM数据gydF4y2Ba

BG仪表仅在用户执行相关操作时在特定时间点捕获BG，而CGM设备通常生成5分钟间隔的数据。一个电极被放置在皮肤下，而发射器将数据发送到一个单独的接收器，然后数据通过蓝牙发送到应用程序。数据集包括葡萄糖值(mg/dL)以及一个趋势箭头，表示葡萄糖趋势的视觉变化。它包含有关测量时间和手机传输时间戳的信息(与锻炼模块类似，用户粘性指标可以作为[部分]自动化模块中用户活动的代理，因为需要打开应用程序来同步)。在本研究中，基线血糖控制是根据国际专家小组于2019年确定的推荐目标范围进行评估的[gydF4y2Ba26gydF4y2Ba]。我们确定，如果用户超过推荐范围内70%的时间(TIR;70-180毫克/分升)，在观测的前14天内获得足够的数据。gydF4y2Ba

统计分析gydF4y2Ba

探索性数据分析gydF4y2Ba

用户特征和研究结果的描述性统计以连续变量的平均值、标准差和范围表示，以分类变量的计数和百分比表示。如果自我报告的数据值不可信，观察结果被视为未知。gydF4y2Ba

每个模块的吸收和停止使用都以图形形式显示。我们创建了生存曲线来显示随着时间的推移仍然活跃的用户比例(当天或晚些时候)。此外，事件图直观地总结了用户活动的模式。gydF4y2Ba

回归分析gydF4y2Ba

使用多元回归模型来检查每个模块的用户特征和参与度(UAR)之间的关联。具体来说，我们估计了具有beta分布的一般线性模型(对于每个模块，基于最小的赤池信息准则和贝叶斯信息准则选择链接函数进行模型选择)。通过这样做，我们解释了这样一个事实，即用户粘性受到0和1(100%用户活动)的双重限制。如果用户的UAR等于1，则将其设置为0.99。缺失数据是自我报告数据集中的一个主要问题，对于所有变量，缺失数据被视为一个单独的类别(未知)，以保留全部观察值。利息方程可以描述为:gydF4y2Ba

在哪里gydF4y2Ba性别gydF4y2Ba表示用户的性别，gydF4y2Ba年龄段gydF4y2Ba是一个根据用户年龄分组的因子变量，gydF4y2Babmi组gydF4y2Ba根据世界卫生组织(WHO)的官方分类，表示用户的BMI，gydF4y2Ba诊断gydF4y2Ba反映用户的糖尿病类型，gydF4y2Ba最近gydF4y2Ba是一个代理，显示用户最近是否被诊断出患有糖尿病，gydF4y2Ba胰岛素gydF4y2Ba是指示使用者是否接受胰岛素治疗(因此病情更严重)的指标;gydF4y2Babg控制gydF4y2Ba表明用户在基线时的空腹BG是否得到很好的控制，以及gydF4y2Ba模块gydF4y2Ba反映每个用户活跃使用模块的总数。为了有意义的解释，计算了每个参数的边际。gydF4y2BaPgydF4y2Ba在我们的分析中，小于0.10的值被认为具有统计学意义。gydF4y2Ba

敏感性分析gydF4y2Ba

考虑到对于什么构成足够的用户粘性并没有达成共识，我们基于活跃周数而不是活跃天数来重复计算活动指标，以确认我们发现的稳健性。此外，我们通过应用gamma和记录普通最小二乘回归作为替代回归规范来确认我们的发现的稳健性。gydF4y2Ba

结果gydF4y2Ba

描述性的结果gydF4y2Ba

用户的特点gydF4y2Ba

在下载后表示同意的29643名用户中，有12685人使用了该应用程序。gydF4y2Ba表2gydF4y2Ba总结9051名符合我们纳入标准的用户特征(即他们开始使用并可以观察180天);63.50%(5747/9051)的用户报告诊断为T2D, 13.48%(1220/9051)的用户报告诊断为T1D。在分享性别信息的用户中，56.86%(2075/3649)为女性。值得注意的是，只有40.32%(3649/9051)的用户提供了性别信息。超过一半的用户年龄在50岁以上，用户的平均年龄为50.4岁。平均BMI为34.8，根据世界卫生组织的官方分类，属于肥胖范围。然而，这个数字是基于36.69%(3321/9051)分享身高和体重信息的用户的子集。gydF4y2Ba

76.28%(6904/9051)的用户建立了用药档案，平均注册1.9种药物。其中，63.33%(4372/6904)注册为口服药物，56.34%(3890/6904)注册为胰岛素。gydF4y2Ba

在分享他们的BG信息的用户中，90.73%(4550/5015)的子集提供了足够的数据来评估他们的空腹BG，其中34.48%(1569/4550)的用户控制良好。同样，86.76%(485/559)的CGM使用者提供了足够的数据来评估他们的TIR。其中38.14%(185/485)达到推荐的70% TIR，血糖控制良好。gydF4y2Ba

用户参与gydF4y2Ba

除了用户特点之外，gydF4y2Ba表2gydF4y2Ba对app不同模块的使用情况进行了总结，使用最多的是BG模块(5015/9051，占55.41%)、用药模块(3933/9051，占43.45%)、食品模块(3821/9051，占42.22%)。17.45%(1579/9051)的用户使用了exercise模块，6.18%(559/9051)的用户使用了CGM模块。值得注意的是，超过50%的人(9051人中有5013人)使用该应用程序的目的只有一个，而只有21名用户使用了整个应用程序。gydF4y2Ba

表3gydF4y2Ba展示了我们研究结果的均值和标准差，即6种不同的用户粘性指标。虽然大多数人开始使用BG、药物和食物模块，但UAR在3个模块中最低(BG 0.07，药物0.05，食物0.05)。相比之下，CGM(0.55)和运动(0.37)的UAR最高，这两种模式的初始摄取都相当低。因此，药物和食物模块的活动延迟最短(分别为15天和13天)，但较低的持久性(分别为15天和13天)和寿命(分别为23天和20天)表明，很大一部分用户在开始使用模块后不久就停止了参与。相比之下，CGM模块的活动延迟最长(83天)，但一旦启动，用户平均保持活跃133天。运动模块的寿命也同样高(114天)。运动组(6天)使用率最低，BG组(18天)使用率最高。最后，应该指出的是，如果分母被定义为寿命或持久性，也就是说，如果只考虑用户的活动期，那么食品模块和药物模块的UAR从最低到最高。gydF4y2Ba

图1gydF4y2Ba和gydF4y2Ba2gydF4y2Ba支持gydF4y2Ba表3gydF4y2Ba．gydF4y2Ba图1gydF4y2Ba强调在使用最频繁的模块(食物，药物和BG)中，退出发生得更快。很大一部分用户在第一周内就退出了，在接下来的几周内，退出率继续高于其他两个模块。相比之下，在整个180天的时间里，超过一半的用户在CGM和锻炼模块中保持活跃。gydF4y2Ba

图2gydF4y2Ba显示可视化参与模式的事件图。每条虚线表示用户与各自应用模块的交互。因此，图的密度反映了一个模块内所有用户的活动。这意味着曲线下的区域越暗，与模块互动的用户就越多。同样，CGM和练习模块似乎是最持久使用的，而其他3个模块的使用往往是中断的，如空白所示。gydF4y2Ba

最后,gydF4y2Ba图3gydF4y2Ba通过显示模块随时间的摄取情况来添加信息。曲线的总体上升趋势表明，随着时间的推移，更多的人开始使用而不是退出，这可能表明对移动医疗和糖尿病自我管理的需求不断增加，例如，通过成功的营销活动或提高认识的其他原因。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

回归分析gydF4y2Ba

表4gydF4y2Ba和gydF4y2Ba5gydF4y2Ba总结回归分析的结果，将用户特征与用户参与度(UAR)联系起来。每列代表一个模块。为了便于解释，报告了每个参数的边际并将其转换为活动天数。gydF4y2Ba

虽然更多的女性使用该应用程序(2075/3649,56.86%)，但回归结果表明，她们在5个模块中的4个模块中使用该应用程序的时间明显减少。只有锻炼模块被女性用户使用得更多。回归结果进一步表明，年龄较大的用户在除CGM模块外的所有模块中都明显更多地使用该应用程序。此外，还有一个小趋势，即首次诊断为糖尿病的人更频繁地使用该应用程序。活跃使用模块的总数与单个模块中的交互作用呈正相关。最后，在任何模块中，基线时的身体测量和血糖控制与使用者强度没有显著相关性。在我们的分析中，有关糖尿病类型和疾病严重程度的发现并没有指向一个明确的方向。gydF4y2Ba

为了确认稳健性，使用基于活动周而不是活动日的UAR重复分析。结果支持上述发现。通过比较每个模块的平均活跃天数和周数，我们可以得出这样的结论:用户不会在同一时间使用该应用，而是在休息几天后进行互动。gydF4y2Ba

应用替代回归规范也证实了我们的发现的稳健性。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

本研究的目的是调查用户对糖尿病移动健康的参与程度，并确定与用户参与相关的患者特征。我们的研究显示，42.79%(12,685/29,643)的个人同意使用，从而反映了从下载到使用的有效过渡。这可能反映了对几个应用程序的肤浅探索，或者是对是否以及如何最好地将移动健康应用程序整合到疾病自我管理中的普遍不安全感。这种肤浅的探索可能会被糖尿病领域大量可用的不同应用程序所加强。此外，应用程序的价格可能会影响使用(本研究中使用的应用程序是免费的)，如果应用程序是与HCP合作选择的[gydF4y2Ba27gydF4y2Ba，gydF4y2Ba28gydF4y2Ba]。一项针对中国糖尿病患者的调查显示，只有19%的应用程序是由医护人员推荐的，而大多数用户是随机选择的，或者是根据其他患者的推荐选择的[gydF4y2Ba28gydF4y2Ba]。最后，用户可能因为隐私问题而不愿意分享信息。调查发现，很大一部分用户在自报用户资料中没有填写可选字段，或者输入了不合理的值。gydF4y2Ba

根据《2020年国家糖尿病统计报告》，男性诊断出的糖尿病患病率更高，与之相反，56.86%(2075/3649)的用户报告为女性[gydF4y2Ba29gydF4y2Ba]。这可能表明女性更有可能使用这款应用，或者女性更愿意分享自己的性别信息。13.48%(1220/9051)的用户被诊断为T1D。据美国糖尿病协会估计，只有约5%的糖尿病患者被诊断为T1D [gydF4y2Ba30.gydF4y2Ba]。在我们的研究中，T1D用户比例高的原因可能是他们对持续自我监测的需求更高(因此对应用程序的需求更高)，或者他们通常发病年龄更小。gydF4y2Ba

对于开始使用的用户来说，CGM模块的平均活动延迟要比其他模块高得多。这可以解释为在收集本研究数据期间，CGM技术的可用性不断增加。因此，一些用户可能在同意使用应用程序几个月后才获得了CGM设备的访问权限。此外，在之前的一项研究中，使用的努力和困难已被确定为移动健康用户不满意的主要原因[gydF4y2Ba31gydF4y2Ba]。因此，活动延迟可能反映了启动使用CGM模块的负担，例如，由于需要将应用程序与外部医疗设备连接。gydF4y2Ba

根据应用模块的不同，平均180天UAR在0.05到0.55之间变化。将这些数字与现有研究进行比较是很困难的，因为文献中的用户粘性指标和报告仍然存在差异。然而，在模块之间发现了初始摄取和长期使用之间的差异:我们观察到快速和高的摄取与较低的长期使用或较低和较晚的摄取和使用，更连续。在之前的研究中，糖尿病患者的参与度也很低或正在下降(需要注意的是，在其他类别的应用中也观察到较高的流失率，而不是针对健康或疾病的)[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba17gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba32gydF4y2Ba-gydF4y2Ba37gydF4y2Ba]。最近一项使用应用内嵌入式问卷调查的研究显示，最令人满意的用户体验发生在参与的第一周内，并且与视觉元素和健康监测的可行性有关[gydF4y2Ba31gydF4y2Ba]。因此，长期保持用户粘性是一个众所周知的挑战。gydF4y2Ba

本研究中退出的一个原因可能是服务匹配次优，即用户参与应用程序，但体验到应用程序可能不符合他们的确切需求[gydF4y2Ba38gydF4y2Ba]。C4C应用程序提供针对糖尿病治疗不同方面的模块。因此，该应用程序可以向患者展示，在运动和饮食的同时服用药物是如何影响他们的糖尿病的。然而，大多数用户只利用一个特定的模块，这可能表明用户的需求并不相同，并且大多数用户可能不需要完整的功能集。此外，UAR最高的是CGM模块，也就是说，市场上的应用程序供应商(即替代产品)可能较少的新技术。gydF4y2Ba

长期使用率低的另一个原因可能是应用程序没有得到最佳使用，因此可能导致用户体验不佳，例如，由于缺乏对有效疾病管理(真实)条目的重要性的认识。因此，对于那些不太了解疾病监测重要性的用户来说，一个有益的体验可能是至关重要的[gydF4y2Ba31gydF4y2Ba]。相反，也有可能患者在使用了一段时间后，对自己的疾病管理感到放心，而没有使用gydF4y2Ba需要gydF4y2Ba它了。gydF4y2Ba

在本研究中，在BG模块、药物模块和食物模块中，高摄取和快速停药之间的差异尤为明显。在这方面，应当强调的是，各模块的数据收集方式各不相同。一旦应用程序连接到外部健身应用程序或CGM设备，锻炼和CGM模块就会自动收集数据。因此，除了打开应用程序之外，利用该模块不需要用户进行任何进一步的活动。因此，被动数据收集可能解释了这些模块的高UAR。相比之下，用户必须主动在药物、食物和BG模块中进行输入(标签的数量取决于他们选择的确切方式)，也就是说，这些模块的参与度较低。因此，在CGM模块(0秒)和运动模块(0秒，如果来自连接的应用程序)中，执行一个条目的秒数中位数最低，其次是BG模块(58秒)，药物模块(117秒)和食物模块(156秒);gydF4y2Ba多媒体附录1gydF4y2Ba)。因此，数据收集模式可能是用户使用该应用的重要驱动因素。这一发现与基于调查的现有文献一致。研究显示，数据输入负担是停止使用的主要原因，作者建议启用自动传输数据的功能将增加用户的依从性[gydF4y2Ba27gydF4y2Ba，gydF4y2Ba28gydF4y2Ba]。然而，应该指出的是，当数据自动传输时，用户最终与应用程序交互的活跃程度仍不清楚。因为应用需要打开才能同步，所以用户粘性指标至少可以作为用户粘性的代理。此外，除了参与外，这些指标还说明了收集的数据量，并反映了丰富健康信息的可用性。先前的研究表明，患者和糖尿病专家都认为日记和基于收集数据的医患交流是糖尿病应用程序最重要的功能[gydF4y2Ba28gydF4y2Ba，gydF4y2Ba39gydF4y2Ba]。另一方面，我们发现药物、食品和血糖模块的用户比例高于其他模块，可能是因为手动数据输入模式使得任何糖尿病患者都可以注册数据(对于血糖模块，血糖仪是必要的，但这些对于糖尿病患者来说很常见)。相比之下，CGM和exercise模块是用于与设备或应用程序同步的，用户可能没有这些设备或应用程序，或者在启动使用时带来额外的负担和复杂性。gydF4y2Ba

我们的回归结果表明，提高用户参与度的最佳方法可能是特定于患者的，并取决于他们的个人特征。与Rahman等人的研究结果一致[gydF4y2Ba18gydF4y2Ba]，我们得出结论，尽管该应用程序的大多数用户是女性，但男性用户更有可能参与该应用程序。只有锻炼模块被女性用户使用得更多。这一结果可以用更高的身体意识来解释，这与现有文献表明女性的运动水平高于男性相一致[gydF4y2Ba40gydF4y2Ba]。另一种解释可能是，运动数据通常是被动收集的，需要主动断开与外部应用程序的连接。此外，我们发现，年龄较大的用户对应用程序的参与度明显更高。与之前的研究相比，这一发现相当新颖。根据对50岁及以上患者的访谈，Scheibe等[gydF4y2Ba41gydF4y2Ba调查显示，老年人对糖尿病应用的接受度和使用率较低，主要原因是缺乏额外的好处和操作的方便性。同样，Zhang等人利用调查数据[gydF4y2Ba28gydF4y2Ba显示糖尿病应用程序的使用随着患者年龄的增长而减少。对我们的发现的一种解释可能是，如果老年人克服了应用程序使用知识的潜在缺乏，他们可能会有动力去应用他们新获得的技能。相比之下，年轻的移动设备用户可能会将手机视为业余活动，下载和尝试不同应用程序的负担较低[gydF4y2Ba42gydF4y2Ba]。此外，考虑到糖尿病是一种慢性疾病，老年人可能病情更严重，因此，与处于疾病早期阶段的年轻患者相比，他们需要更多的(自我)监测。gydF4y2Ba

此外，我们的分析显示，最近首次诊断为糖尿病的个体更频繁地使用该应用程序。到目前为止，现有文献尚未发现疾病持续时间与应用程序使用之间的相关性[gydF4y2Ba28gydF4y2Ba]。然而，有可能新患者在建立最初的个人自我管理策略时，将手机视为一种有用的工具。美国残疾人协会或世界卫生组织等官方机构越来越强调患者支持应用程序的巨大潜力[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba43gydF4y2Ba]。相比之下，长期患者可能不会考虑调整他们的前期疾病管理习惯。一项针对老年人的可用性研究表明，参与者已经对他们目前的管理系统感到满意，他们需要找到一个为什么应用程序优于他们目前的药物管理系统的原因[gydF4y2Ba44gydF4y2Ba]。然而，应该指出的是，我们的观察只是基于诊断时间的近似测量，需要更多的研究来证实这一发现。gydF4y2Ba

活跃使用模块的总数与单个模块中的交互作用呈正相关。如果应用程序集成在管理用户疾病的更多方面，或者可以反映利用多个模块的用户的更高纪律，这可能表明模块之间的协同效应。gydF4y2Ba

限制gydF4y2Ba

我们的研究有一些局限性。首先，在分析自我报告的真实世界数据时，数据缺失是一个常见的问题，从9.88%(894/9051)的用户没有分享他们的糖尿病类型信息到63.31%(5730/9051)的用户没有分享他们的身高或体重信息。我们通过将缺失数据分类为未知来解决这个问题。在本研究的背景下，缺失数据的数量本身可以被视为一个重要的结果。值得注意的是，许多未知的类别是非常重要的。这可能表明有一些与用户粘性相关的因素无法在给定的数据集中观察到。其次，从更广泛的意义上讲，数据限制限制了我们调查可能影响用户参与度的其他重要因素的能力，例如教育或医患互动。只要有可能，我们就生成代理，替换未观察到的感兴趣变量。最后，数据集没有涵盖登录时间的信息。相反，我们的研究完全基于数据输入。 Although we emphasized the relevance of automated data collection in our discussion, it remains unclear how actively engaged the users actually are, because collecting data is not the same as using data. In this context, it should be the ultimate goal of future research to assess how engagement with mHealth affects health outcomes and which module is most important from the health perspective.

结论gydF4y2Ba

关于如何评估移动医疗解决方案的用户参与度，目前还没有达成共识，但这是必要的。本文提出了一套理论上建立的用户粘性指标，用于评估本研究中的用户粘性。在同意后，42.79%(12,685/29,643)的用户开始使用。大多数用户都利用了应用程序的一个特定模块，这表明糖尿病患者的需求是高度异质性的。自动化模块的用户参与度和收集的数据量更高，尽管这些模块的初始使用率仍然较低。因此，为了增加应用程序的使用，移动健康提供商应该考虑数据收集模式和内容设计，同时考虑到用户的隐私问题。用户的参与是由不同的患者特征决定的。尽管大多数用户是女性，但男性用户对这款应用的参与度明显更高。老年人和最近确诊的用户往往更积极地使用这款应用。这表明，在将应用程序整合到疾病的自我管理中时，应该专门针对或协助特定的患者群体。gydF4y2Ba