澳大利亚心血管疾病和2型糖尿病风险老年人的移动健康使用:横断面调查研究gydF4y2Ba

简介gydF4y2Ba

慢性病对卫生系统造成巨大负担[gydF4y2Ba1gydF4y2Ba］．不健康的生活方式是导致心血管疾病和2型糖尿病等慢性疾病高发的主要原因之一[gydF4y2Ba2gydF4y2Ba］．这包括吸烟、酗酒、缺乏体育锻炼和不良饮食。gydF4y2Ba2gydF4y2Ba］．促进健康运动旨在提高对与生活方式有关的风险因素的认识，并支持减少风险[gydF4y2Ba3.gydF4y2Ba］．数字应用程序，如智能手机的移动健康(mHealth)应用程序，为尽可能多的人提供这种健康促进干预提供了极好的机会[gydF4y2Ba3.gydF4y2Ba］．IQVIA研究所的一份报告指出，2021年，通过应用商店提供的健康相关应用超过35万个[gydF4y2Ba4gydF4y2Ba］．报告显示，仅在2020年，市场上就出现了9万个与健康相关的新应用。gydF4y2Ba4gydF4y2Ba］．移动健康领域并不局限于应用程序;其他产品还包括智能手表和活动追踪器(通常称为可穿戴设备)。gydF4y2Ba5gydF4y2Ba］．gydF4y2Ba

Meskó等[gydF4y2Ba6gydF4y2Ba将数字健康称为传统医疗保健的文化转型。欧洲心脏病学会电子心脏病学工作小组最近发表的立场文件[gydF4y2Ba5gydF4y2Ba]，作者提到可穿戴设备的优势包括健康数据的民主化，早期发现风险因素和疾病状态的潜力，以及提高健康意识。作者还指出，虽然老年人和高危人群可能受益最大，但目前使用移动健康技术最多的是收入较高的年轻健康一代[gydF4y2Ba5gydF4y2Ba］．更一般地说，Spoth等[gydF4y2Ba7gydF4y2Ba]报告说，最需要循证预防和健康促进干预措施的人往往没有使用这些措施，在许多情况下是因为无法获得这些措施。为了了解我们目前正在开发的基于应用程序的心血管疾病和2型糖尿病预防干预的可能性，我们调查了澳大利亚老年人使用移动健康的情况。之前的研究报告了移动医疗在其他国家的应用情况。例如，Shan等[gydF4y2Ba8gydF4y2Ba]，罗宾斯等人[gydF4y2Ba9gydF4y2Ba]、瑞辛等[gydF4y2Ba10gydF4y2Ba]，以及Carroll等[gydF4y2Ba11gydF4y2Ba使用美国的数据进行研究;Pare等[gydF4y2Ba12gydF4y2Ba]分析加拿大的数据;gydF4y2Ba13gydF4y2Ba]调查了中国成年人使用移动健康的情况。然而，到目前为止，还没有针对澳大利亚环境下移动医疗的使用进行更大规模的研究。为此，我们分析了2019年从45岁及以上研究的第二波随访中收集的移动医疗使用数据，该研究是一项大型队列研究，研究对象为2006年至2009年间基线年龄为45岁及以上的澳大利亚人[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba15gydF4y2Ba］．通过这项研究，我们还旨在确定使用移动医疗的人和不使用移动医疗的人之间的任何区别特征。我们的具体研究问题如下:移动健康用户的总体比例以及那些有心血管疾病或2型糖尿病风险的用户的比例是多少?对于有心血管疾病或2型糖尿病风险的人群，移动医疗用户与非移动医疗用户有何不同?那些有心血管疾病或T2DM风险的人是否比没有风险的人更有可能使用移动医疗?gydF4y2Ba

方法gydF4y2Ba

伦理批准gydF4y2Ba

这项横断面研究基于萨克斯研究所45岁及以上研究的调查数据。这是一个庞大的队列，包括267,153名居住在澳大利亚新南威尔士州(NSW)的45岁及以上的参与者[gydF4y2Ba16gydF4y2Ba］．这项45岁及以上的研究得到了新南威尔士大学人类研究伦理委员会的批准。调查数据与医药福利计划(PBS;处方药数据)和新南威尔士州入院患者数据收集(APDC;住院数据)。本研究已获得新南威尔士州人口与卫生服务研究伦理委员会(批准#HREC/16/CIPHS/14)和联邦科学与工业研究组织(CSIRO)健康与医学人类研究伦理委员会(批准#2021_018_RR)的批准。所有队列参与者都提供了自由和知情的同意。gydF4y2Ba

数据源gydF4y2Ba

45岁及以上研究的招募工作于2006年1月至2009年12月期间进行，基于澳大利亚服务部门(原澳大利亚政府公共服务部)医疗保险登记数据库的随机样本，对80岁及以上人群以及农村和偏远地区居民进行了过度抽样[gydF4y2Ba16gydF4y2Ba］．约18%的受访者同意参加这项研究，这代表了新南威尔士州45岁及以上人口的11% [gydF4y2Ba14gydF4y2Ba］．45岁及以上的研究合作者发表了对队列和研究方法的详细描述[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba15gydF4y2Ba］．在我们的分析中，我们使用了2018年至2020年期间收集的第二波随访数据，特别是2019年的随访调查，其中包括关于参与者技术和移动医疗使用的问题[gydF4y2Ba17gydF4y2Ba］．调查共发出68,349名受访者，其中31,965人作出回应(46.77%)[gydF4y2Ba16gydF4y2Ba］．一般而言，问卷内容包括生活方式、病史、慢性病家族史、社会经济状况及地理因素[gydF4y2Ba17gydF4y2Ba］．萨克斯研究所使用唯一标识符将调查数据与PBS数据确定性地联系起来[gydF4y2Ba16gydF4y2Ba］．此外，健康记录关联中心利用概率技术将这些数据与APDC数据联系起来[gydF4y2Ba18gydF4y2Ba］．gydF4y2Ba

子组gydF4y2Ba

我们首先在随访调查时确定了心血管疾病或糖尿病(1型或2型，不包括妊娠糖尿病)的参与者，然后确定了那些有患病风险的参与者。这些方法类似于Joshy等人所描述的方法[gydF4y2Ba19gydF4y2Ba]用于CVD的分类和Comino等人的分类[gydF4y2Ba20.gydF4y2Ba]用于45岁及以上研究中糖尿病的分类。个体的分类基于来自调查、APDC数据和PBS数据的信息。在调查中，参与者被问及是否患有心血管疾病或糖尿病(“是否有医生告诉过你有:”心力衰竭，心房颤动，其他心脏病，中风，或糖尿病- 1型，2型或不确定)，以及他们是否服用这些疾病的药物(问卷上列出的相应药物:Cardizem/Vasocardol，华法林，或Diabex/Diaformin)。根据APDC数据，诊断根据调查日期之前的相关住院情况进行分类。我们在55个诊断字段中的任何一个中搜索相关的国际疾病分类第10版澳大利亚修改(ICD-10-AM)诊断代码，或在50个程序代码字段中的任何一个中搜索相关的澳大利亚健康干预分类程序代码。这些准则是根据澳大利亚卫生和福利研究所(卫生福利研究所)所描述的方法制定的[gydF4y2Ba21gydF4y2Ba-gydF4y2Ba24gydF4y2Ba］．根据PBS的数据，如果人们在过去12个月内服用了这些适应症的药物，就会被归类为心血管疾病或糖尿病[gydF4y2Ba25gydF4y2Ba，gydF4y2Ba26gydF4y2Ba］．对于CVD，唯一考虑的药物是那些仅适用于CVD的药物。为了确定CVD诊断，我们没有考虑高血压或血脂异常的药物。患有高血压或血脂异常的人可能有患心血管疾病的风险，但尚未发病。此外，人们可能因为高血压以外的其他原因服用抗高血压药物。因此，如果人们服用了降压药或降脂药，但没有被诊断为CVD(即，在45和Up研究数据中报告，APDC数据中，或由于服用了以CVD为唯一适应症的药物)，我们没有将他们归类为患有这种疾病。gydF4y2Ba

对于心血管疾病，有风险的分类是服用抗高血压药物、降脂药物或低剂量阿司匹林;报告血凝问题或高血压;肥胖(≥30 kg/mgydF4y2Ba^2gydF4y2Ba）;或有心血管疾病家族史(父母或兄弟姐妹)，但尚未患有心血管疾病。对于2型糖尿病，如果患有妊娠糖尿病，肥胖(≥30 kg/m)，则被分类为有风险gydF4y2Ba^2gydF4y2Ba)，或有T2DM家族史(父母或兄弟姐妹)，但无1型或T2DM。我们从调查和PBS数据中收集信息，以确定高危人群。如果女性自我报告患有妊娠糖尿病，或者在最后一次分娩之前被诊断患有糖尿病，并且在填写随访调查之前的12个月记录中没有糖尿病药物的证据，那么她们就被归类为患有妊娠糖尿病。gydF4y2Ba

技术和移动医疗使用gydF4y2Ba

主要结果是移动医疗的使用。我们通过以下调查问题来定义移动健康的使用:“你多久使用手机或平板电脑上的应用程序来跟踪以下情况?”答案选项是“从不”、“每月少于一次”、“每月至少一次”、“每周至少一次”或“每天”。如果选择了“每月少于一次”或更频繁的任何选项，则将该人归类为移动健康用户(选项包括:活动或健康状况、生命体征、营养或体重、情绪或健康状况、睡眠、药物)。这意味着如果“从未”或没有选择任何选项，参与者被认为是非用户。gydF4y2Ba表1gydF4y2Ba总结了我们用于分析的45岁及以上研究问卷中与技术相关的问题[gydF4y2Ba17gydF4y2Ba］．我们将所有在设备使用(电脑或笔记本电脑、平板电脑、智能手机、健身追踪器和智能手表)问题上没有选择“是”的人归类为没有使用这些设备。我们将所有没有选择“我不使用应用程序/不知道应用程序是什么”的人归类为应用程序用户。我们将应用程序下载变量分为两组，将未使用应用程序的人分为一组，选择尚未下载任何应用程序的人分为另一组。gydF4y2Ba

其他措施gydF4y2Ba

其他感兴趣的变量包括年龄、性别、收入、生活方式(吸烟、饮酒、水果或蔬菜、体育活动)和身体残疾。我们根据经济合作与发展组织(OECD)的报告对收入进行分类[gydF4y2Ba27gydF4y2Ba]分为低收入(每年低于30,000澳元[20,580美元])、中等收入(每年30,000-89,999澳元[20,580-61,740美元])和高收入(每年90,000澳元或以上[61,741美元或以上])。对于吸烟，我们创建了三个类别:从不吸烟者、过去吸烟者和现在吸烟者。我们通过关于疾病或限制身体活动的残疾的调查问题对身体残疾进行分类(“有什么东西阻止你参加身体活动吗?”-身体不健康;“你是否经常因为长期的疾病或残疾而需要帮助完成日常工作?”-是的;“你现在的健康状况是否限制了你从事以下活动?”-对任何选项都选择了)。我们将所有其他与生活方式相关的变量进行了一分为二，这取决于参与者是否符合指南建议(酒精:每周最多10杯标准饮料[gydF4y2Ba28gydF4y2Ba];水果及蔬菜:每天最少进食两份水果及五份蔬菜[gydF4y2Ba29gydF4y2Ba];体育活动方面:每周至少150分钟的体育活动，其中剧烈的体育活动加倍计算[gydF4y2Ba30.gydF4y2Ba])。对于水果和蔬菜，如果参与者选择他们不吃任何水果或蔬菜，我们将每天的份量设置为0。否则，我们不归因任何缺失的值。我们报告了年龄、性别、BMI、吸烟状况、饮酒、水果和蔬菜摄入量、体育活动、收入和身体残疾的缺失百分比。对于剩下的变量，我们没有报告缺失值，因为我们对这些变量进行分类的方式不会导致任何缺失值。gydF4y2Ba

统计分析gydF4y2Ba

我们使用描述性统计来描述总体人口和各个亚组(心血管疾病或糖尿病;有患心血管疾病或2型糖尿病的风险;无心血管疾病、T2DM及其风险因素)，以及他们的技术和移动医疗的使用。进一步，我们使用gydF4y2BatgydF4y2Ba检验和卡方检验，以检查CVD或T2DM风险人群中移动健康用户和非用户之间的差异。我们在5%的水平上定义了统计学显著性。我们为总样本和CVD或T2DM风险人群建立了多变量逻辑回归模型，以评估年龄、性别、身体残疾和收入(预测变量)对移动健康使用(结果变量)的影响。从这些模型中，我们计算了调整后的优势比(ORs)及其95% ci。此外，我们计算了CVD或T2DM风险人群与无CVD或T2DM风险人群的移动健康使用调整OR。我们在RStudio(版本1.2.5042)中使用编程语言R(版本4.0.0;R统计计算基金会)在Sax研究所提供的安全统一研究环境(SURE)中[gydF4y2Ba31gydF4y2Ba］．gydF4y2Ba

结果gydF4y2Ba

2019年，共有31946人完成了包含移动健康问题的随访问卷。在这31,946名参与者中，12,152名(38.04%)参与者在随访调查时患有心血管疾病或糖尿病，16,422名(51.41%)参与者被归类为有风险，3372名(10.56%)参与者被归类为无风险(gydF4y2Ba图1gydF4y2Ba)．缺失值比例最高的变量为果蔬摄入量，占7.66% (2447/ 31946;gydF4y2Ba表2gydF4y2Ba)．gydF4y2Ba

表3gydF4y2Ba比较总样本和各个子组的特征，包括设备所有权和应用程序使用的信息。与高危组相比，患有心血管疾病或糖尿病的人群包括老年人、男性、身体残疾人士、肥胖人士和戒烟者。与没有心血管疾病、糖尿病和危险因素的组相比，这些变量的差异甚至更大。没有心血管疾病和糖尿病的人拥有设备的比例更高。总体而言，75.93%(24,256/31,946)的总样本表示他们拥有智能手机，29.16%(9314/31,946)的总样本表示他们以前使用过健康应用程序。无疾病及危险因素组所占比例最高(1102/3372,32.68%)，其次是高危组(5166/ 16422,31.46%)，最后是心血管疾病或糖尿病组(3046/ 12152,25.07%)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

在使用移动健康的人群中，身体活动是追踪最多的特征(gydF4y2Ba表4gydF4y2Ba)．总体而言，24.73%的参与者(7900/ 31946)以前用应用程序跟踪过他们的身体活动水平。在有CVD或T2DM风险的人群中，比例略高，为27.20%(4467/ 16422)。第二大追踪特征是生命体征(总数:7315/ 31946,22.90%;高危人群:4168/ 16422,25.38%)。所有其他特征被不到10%的样本追踪。在那些表示他们跟踪身体活动的人中，大多数人每天都这样做(总数:3600/ 31946,11.27%;存在风险:2032/16,422,12.37%)。在追踪药物、睡眠和生命体征时也观察到了同样的趋势。在情绪、体重或饮食方面，那些声称自己追踪过这一特征的人报告的频率大多不到一个月一次。gydF4y2Ba

在高危人群中，我们观察到在性别、高血压、妊娠糖尿病、家族史、身体残疾、体重、吸烟状况、符合体育活动指南建议和拥有技术设备等变量方面，移动健康用户和非用户之间存在统计学上的显著差异(gydF4y2Ba表5gydF4y2Ba)．gydF4y2Ba

根据其他人口统计因素进行调整后，年轻参与者、女性、无身体残疾的人以及收入较高的人更有可能使用移动健康(gydF4y2Ba图2gydF4y2Ba所有参加者及gydF4y2Ba图3gydF4y2Ba对于高危人群)。CVD或T2DM患者与无CVD或T2DM患者相比，使用mHealth的调整OR为1.06 (95% CI 0.97-1.16;gydF4y2BaPgydF4y2Ba=只要;根据年龄、性别、收入和身体残疾调整)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

这项分析的总体目的是了解澳大利亚老年人，特别是那些有心血管疾病或2型糖尿病风险的老年人如何使用移动健康。据我们所知，这是澳大利亚首次进行此类研究。在高危人群中，移动健康用户的比例略高于一般比例。多变量逻辑回归分析显示，女性、年轻人、无残疾人士和高收入人群使用移动健康的几率更高。在移动健康的用户中，吸烟者和患有高血压或身体残疾的人较少。另一方面，在没有使用移动健康的人群中，超重的人更少，有心血管疾病或2型糖尿病家族史的人也更少。根据我们的研究结果，有心血管疾病或2型糖尿病风险的人使用移动医疗的几率并不比没有风险的人高。gydF4y2Ba

与其他工作的比较gydF4y2Ba

研究结果与其他研究人员的结果基本一致。珊等[gydF4y2Ba8gydF4y2Ba]根据2018年的数据，比较了患有心血管疾病或有心血管疾病风险的美国人与没有心血管疾病的美国人使用移动医疗的情况。他们得出的结论是，在未经调整的比较中，那些患有或有心血管疾病风险的人比其他研究人群更不可能使用移动健康。然而，当对年龄、种族、教育程度、家庭收入、医疗保险和城乡位置进行调整时，智能手机上拥有健康应用程序的or为1.24 (95% CI 0.85-1.81;gydF4y2BaPgydF4y2Ba患有CVD或有CVD风险的女性=.26)和1.12 (95% CI 0.68-1.84;gydF4y2BaPgydF4y2Ba= 0.65)，与无CVD病史或风险因素的女性和男性相比。塞弗特和范德诺特[gydF4y2Ba32gydF4y2Ba]根据2019年的数据，报告了65岁及以上瑞士成年人使用可穿戴设备和移动健康应用程序的情况。在1149名参与者中，43.1%的人拥有平板电脑，68.7%的人拥有智能手机，7.6%的人拥有健身追踪器，3.3%的人拥有智能手表，22.9%的人使用移动健康应用。布扬等[gydF4y2Ba33gydF4y2Ba]分析了2014年美国成年人移动健康使用和健康导向行为的数据。他们发现，35.9%的智能手机或平板电脑用户安装了移动健康应用程序。在55岁至64岁的人群(10.6%)和65岁及以上的人群(4.7%)中，拥有移动健康应用程序的比例要低得多。罗宾斯等人[gydF4y2Ba9gydF4y2Ba]分析了2015年拥有手机的美国成年人使用移动健康的调查数据。在参与者中，无疾病的人(21.3%)比高血压(2.7%)、肥胖(13.1%)、糖尿病(12.3%)、抑郁症(12.0%)或高胆固醇(16.6%)的人更常见。罗宾斯等人[gydF4y2Ba9gydF4y2Ba他们的研究结果表明，那些最有可能从移动医疗中受益的人最不可能使用它。gydF4y2Ba

限制gydF4y2Ba

被邀请参加45岁及以上研究的人中只有18%的人进行了基线调查[gydF4y2Ba14gydF4y2Ba］．这与其他大型国际队列研究相当[gydF4y2Ba34gydF4y2Ba-gydF4y2Ba36gydF4y2Ba］．米玲等[gydF4y2Ba37gydF4y2Ba]进行了一项分析，他们将45岁及以上研究中的暴露-结果关系与应答率约为60%的新南威尔士州人口健康调查进行了比较[gydF4y2Ba38gydF4y2Ba］．两者都基于相同的人群，分析表明，来自两个队列的结果可以推广。此外，一些参与者失去了随访，这也可能引起对普遍性的担忧。王等[gydF4y2Ba39gydF4y2Ba]建立了一个逻辑回归模型来评估在45岁及以上研究的第一次随访调查中无应答的影响。在他们的结论中，他们报告说，它没有导致实质性的偏差，基本上没有改变对结果的解释[gydF4y2Ba39gydF4y2Ba］．进一步的限制是数据集有缺失值，特别是关于水果和蔬菜摄入量，并且是基于自我报告。吴恩达等[gydF4y2Ba40gydF4y2Ba]在45岁及以上的研究中，通过自我报告体重和身高来考虑偏差。他们指出，由此得出的BMI值是合乎逻辑的，但超重或肥胖被低估了。gydF4y2Ba40gydF4y2Ba］．还存在疾病诊断或风险分类错误的风险。为了将风险降至最低，我们采用了世界卫生研究院(AIHW)所描述的方法[gydF4y2Ba22gydF4y2Ba-gydF4y2Ba24gydF4y2Ba以及其他参与45岁及以上研究的研究人员[gydF4y2Ba19gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba］．在我们的分析中，我们没有将糖尿病归类为CVD的危险因素，因为我们将CVD或T2DM患者归类为单独的亚组。将人们错误地归类为有心血管疾病风险的人是有小风险的，因为他们服用抗高血压药物的适应症与心血管疾病风险增加无关。gydF4y2Ba

影响gydF4y2Ba

移动健康的可用性不断增加，毫无疑问，它可以对健康促进、风险意识、早期检测以及总体上对一个人的健康和福祉产生积极影响。然而，这项研究和其他研究表明，某些人口统计数据比其他人更有可能使用它。在我们的研究中，没有残疾且收入较高的年轻女性使用移动健康的几率最高。由于我们正在开发一种基于应用程序的CVD和T2DM预防干预措施，我们有兴趣寻找策略，以促进那些最有可能从干预措施中受益的人的最佳吸收。我们的研究结果表明，身体残疾的人较少使用与健康相关的应用程序。我们认为，考虑到残疾人的残疾，更个性化的干预措施可能会使残疾人受益。此外，结果表明，考虑公平问题是很重要的，以确保低收入人群和老年人不会被排除在外。其他研究人员也得出了类似的结论，并提出了解决方案。例如，Foley等人[gydF4y2Ba41gydF4y2Ba]使用混合方法研究探索澳大利亚数字卫生服务的获取、使用和效益，并确定信任是使用数字卫生服务的关键因素。他们解释说，卫生专业人员的建议提高了对数字卫生服务的信任，这可能会增加对数字卫生服务的接受[gydF4y2Ba41gydF4y2Ba］．程等[gydF4y2Ba42gydF4y2Ba]在系统综述中总结道，在设计此类干预措施时，电子卫生素养水平往往被忽视，导致了数字鸿沟，社会弱势群体被抛在了后面。因此，他们要求在制定干预措施时必须认识到电子卫生素养水平[gydF4y2Ba42gydF4y2Ba］．在他们的综述中，Borg等[gydF4y2Ba43gydF4y2Ba]认为态度、技能和获取渠道是数字包容的障碍，而社会支持、教育和包容性设计是推动因素。作者强调了以用户为中心的协作设计对确保数字包容性的重要性[gydF4y2Ba43gydF4y2Ba］．gydF4y2Ba

结论gydF4y2Ba

尽管大多数有心血管疾病或2型糖尿病风险的人拥有智能手机，但只有约三分之一的人使用过移动健康应用程序。CVD或T2DM风险人群与非风险人群在移动医疗的使用上没有差异。使用移动健康应用程序的人不太可能是男性、老年人、身体残疾和收入较低的人。这表明，在实施移动医疗干预时，考虑公平问题非常重要。例如，低收入或年龄较大不应阻止人们参与干预，因此，在制定实施策略时应考虑这些因素。gydF4y2Ba