在数字试验中招募和保留孕妇和产后个体的经验教训:观点

简介

背景

尽管数字试验有许多好处，但在孕产妇和儿童健康研究中未得到充分利用。数字试验有时被称为互联网、虚拟、无现场或分散试验，利用技术使参与者在物理场地之外参与，从招募到结果评估。尽管数字试验于2002年首次出现，但COVID-19大流行和保护研究参与者免受暴露的需要进一步刺激了试验的发展。目前，数字试验越来越多地用于临床研究，包括药物试验和社会和行为干预试验[1，2］．

尽管完全数字化或包含数字元素的试验可以克服依赖物理研究场所的传统试验的一些关键限制，但它们也给研究人员和参与者带来了独特的挑战。对数字试验的常见担忧包括高流失率和无法接触到数字素养较低的研究对象。此外，尽管已经为药物和设备的数字化试验开发了方法[3.]，但却没有足够的证据为孕妇和产后个体的社会和行为干预数字试验的设计和实施提供依据。

为了解决这一证据差距，美国和澳大利亚的5个研究团队合作，分享了对孕妇和产后患者进行创新数字试验的经验教训。在我们的研究合作中，我们使用多个数字平台招募了参与者，包括公众使用的平台(如Facebook、Instagram、Twitter)和那些专门针对围产期个人的平台(如Ovia、BabyCenter)。我们进行了没有任何人类互动的全数字试验，以及有一些面对面或面对面同步互动的数字试验(例如，视频访问以完成知情同意)。在这篇评论中，我们介绍了从12个不同的已完成和正在进行的数字试验中获得的经验教训(表1)，评估了母乳喂养、产前和产后抑郁、失眠、决策和慢性疼痛的干预措施。我们专注于三个关键领域的挑战和经验教训:(1)快速招募具有多样化少数身份的大样本，(2)在纵向研究中保留研究参与者，以及(3)防止虚假注册。我们在每一个我们尝试过的领域都提供了具体的策略。这些策略可以被纳入未来的研究中，也可以在未来的研究中正式评估。

孕妇和产后个体数字试验的承诺

数字试验有很多好处．首先，它们为昂贵且不方便的传统试验提供了一种替代方法[4，5］．具有多重局限性的传统试验自20世纪40年代以来一直占据主导地位，但需要颠覆性创新[6］．传统试验的参与者必须住在物理研究地点附近，这限制了许多人的进入。此外，有充分证据表明，大多数传统的试验都未能实现其招聘目标[7，8］．传统的试验也很昂贵[4，5］．

在获取和参与领域，数字试验可以支持快速招募大样本[1］．由于参与者不需要靠近研究地点，这些试验可以服务于难以接触到的和多样化的人群[1，9］．此外，由于数字试验为参与者提供了更大的自主权、便利性和隐私性，它们可能对某些原本不会参与的参与者更有吸引力。10］．哈佛大学和麻省理工学院(MIT)的研究人员证明，数字试验可能会改善女性和种族和少数民族人群的研究机会，这些人群在临床试验中的代表性明显不足[11，12］．

在成本方面，数字审判也可能更有效率，因为它们需要更小的调查团队[2]并避免由于集群而导致的权力减少，这是从多个站点招聘时的一个问题[13］．此外，数字技术允许连续数据收集或在更多时间点收集数据，可以降低与临床评估相关的成本[14］．

此外，数字试验引入了大量的方法学优势。例如，在电子同意(eConsent)程序中，可以使用多媒体网络工具(例如视频、动画)来增进了解[15]，随机化有可能更安全[2，16］．

虽然许多人群都可以从数字试验中受益，但它们可能特别适合孕妇和产后人群。首先，婴儿护理的需求可能使旅行具有挑战性，研究表明，年轻父母很难前往临床地点参与研究[17］．第二，围产期是一个充满痛苦的时期，大约20%的生育妇女表现出焦虑和抑郁的症状[18，19］．围产期发生的重大责任和身体和情绪变化往往妨碍个人从事健康的行为和参与可能有益于自己或一般科学的研究[17］．第三，育龄女性拥有智能手机的比例最高。20.］．因此，要求使用互联网可能会导致数字试验中缺乏代表性样本的历史批评可能不适用于这一人群[2，16，21］．

尽管在2019冠状病毒病大流行之前，其中许多优势已经很明显，但大流行非常紧迫地揭示了额外的好处，并导致迅速采用数字参与战略。2020年3月的社会距离令导致美国食品和药物管理局发布了关于进行传统试验的安全风险的指导意见，并敦促研究人员开发更安全的数据收集替代方案[10］．此后不久，ClinicalTrials.gov的一项综述显示，在正在进行的试验中，包括一些针对孕妇和产后人群的试验，患者的互动开始主要是远程发生的[22］．这种向数字参与的转变预计将持续下去。大多数临床试验研究人员预计，大流行6个月后，数字化患者互动将增加3倍[22，23］．

数字试验与磨难

社会和行为干预的数字试验虽然具有创新性，但也面临着独特的挑战。首先，一个关键的问题是，由于这些研究利用了技术，它们无法吸引没有移动设备或互联网接入的个人。此外，参与者必须具备数字素养(例如，完成在线评估，下载学习应用程序)。这些要求可能导致缺乏代表性，并可能使健康差距长期存在，因为少数群体和服务不足人口的宽带接入减少，从而导致健康和数字素养下降[23］．例如，截至2021年4月，80%的美国白人家庭可以上网，而黑人和拉丁裔美国人的这一比例分别为71%和65% [20.］．其次，纵向研究中的人员流失仍然是一个严重的问题。研究表明，数字试验的流失率更高，部分原因是研究对象没有投入或被激活。此外，在与研究团队成员的面对面互动中产生的个人的、人性化的接触，可能是留存率的关键因素，这在数字试验中是缺乏的。最后，尽管隐私被认为是数字试验的一个优势，但它也可能是一个限制。虽然数字试验允许一定程度的匿名，但通过互联网在参与者家中进行的试验可能面临数据安全方面的挑战。总而言之，保护参与者数据和确保隐私是挑战，研究人员必须继续开发方法来监测和评估来自卫生技术的数据[24］．

主要挑战和有用的策略

背景

在过去的5年里，我们的研究团队开展了大量的数字试验，并对现有的孕妇和产后个体的传统试验进行了修改，以纳入数字试验元素。我们使用了几个社交媒体平台以及怀孕和育儿应用程序进行招聘，最常见的是Facebook和Ovia。Facebook是美国成年人中最受欢迎的社交媒体平台，69%的人使用Facebook。20.］．Facebook在所有人群中都很受欢迎;然而，一些成年人更经常使用它。具体来说，77%的女性每天使用Facebook，而男性为61%;74%的美国黑人每天使用Facebook，白人为67%，拉丁裔为72%。Ovia是免费下载的最受欢迎的怀孕应用程序之一[25］．美国每月有超过200万人使用(与Ovia员工的电子邮件通信，2021年8月10日)，它提供教育内容，进行健康评估，并使用专有算法和机器学习来提供特定用户的支持、建议和资源[25］．

尽管我们在设计和执行数字试验时遇到了许多挑战，但我们发现有3个领域尤其令人生畏:快速招募大量不同的样本;保留;以及欺诈性注册监控。接下来我们将解释这些领域，以及克服挑战的有希望的策略。

挑战#1:快速招募大量不同的样本

在所有的社交媒体平台和应用程序上，我们的研究通常都是付费广告。潜在感兴趣的参与者看到广告，点击它，并被路由到研究网页或筛选调查。尽管不同研究的步骤有所不同，但许多参与者随后完成了资格筛选调查，完成了知情同意程序，并被登记。在这个招募过程中，我们努力招募少数群体，并通过招生过程挑选合格的参与者。

Minoritized参与者

我们用于招聘的所有平台都不允许我们向特定种族或民族的用户投放广告。然而，可以根据地理位置(例如，州或邮政编码)以及Ovia的怀孕阶段和胎次来确定目标。2020年8月，在经历了几起关于广告商住房歧视的诉讼和丑闻后，Facebook不再允许基于种族的目标定位[26，27］．鉴于这项新政策，我们合作的研究人员无法使用广告直接对少数群体进行过度采样。为了克服这一限制，“准妈妈和睡眠治疗研究”(REST)研究，一项纵向研究，检查了数字认知行为疗法(CBT)对孕妇失眠的有效性，使用Facebook受众工具向某些黑人和拉丁裔人口比例较高的邮政编码做广告。

此外，即使一个平台的用户基础在全国范围内具有代表性，并且广告面向所有种族和民族的用户，我们也可能无法引起少数群体的兴趣。例如，在几项研究中，我们发现受过高等教育的白人参与者更有可能点击学习广告，而且比例不成比例。因此，我们的团队担心，我们可能会使少数群体和边缘化群体在获得临床研究和护理方面面临的系统性障碍永久化。为了解决这个问题，我们尝试了以下策略:

• 策略1:拓展付费广告之外的领域。尽管研究人员可以向平台付费来做广告，但在社交媒体上，还有其他方法可以接触到少数群体。我们的合作成员利用社交媒体平台加入在线怀孕支持小组(例如，黑人妈妈很重要，黑人家庭可以母乳喂养)，并在获得批准后推广这项研究。例如，CHOICE For Birth研究团队的成员利用专业和个人网络与有影响力的人联系和合作，以促进他们的研究。此外，该团队还利用一家招聘公司将他们与社交媒体上专门为少数群体量身定制的账户联系起来。通过这种联系，该团队得以在Instagram上发布付费广告，并成功招募到更多的亚洲孕妇。
• 策略2:在广告中展示少数种族或少数民族孕妇的图片，并在材料中明确说明研究团队正在招募少数群体。这一策略属于表面结构适应的范畴(相对于深层适应，后者显示了对目标人群干预的显著性)[28］．在这里，对材料和干预内容进行视觉上的修改是基于目标群体更表面的特征(如地点、语言、食物)。这些策略展示了研究计划或材料如何与文化相适应，并可能增加材料的接受度[28］．我们合作的大多数研究人员都使用了这些类型的策略。远程医疗提高母亲哺乳信心(Tele-MILC)研究，是美国国立卫生研究院(NIH)资助的一项评估母乳喂养应用程序影响的试验，采用了这一策略。尽管该研究仍在继续招募，但截至2021年9月，200名注册参与者中有五分之二(n= 80,40%)被确定为拉丁裔或黑人。
• 策略3:与社区成员合作，开发文化和谐的招聘材料。例如，我们的一个研究团队正计划与一个参与者招募计划合作，该计划提供服务，以支持代表性不足的人群的招募。该项目将与社区成员合作，社区成员将对招聘材料提供反馈。然后，他们将提供咨询服务，以确保材料的语言简明易懂。

通过知情同意程序维持利益

我们的一些数字试验在招募过程中失去了大量符合条件的个体，因为知情同意过程的耗时、吓人和非用户友好性。例如，在一项针对使用Ovia进行招募的住院新生儿父母的试验中，40% (n=72)看过研究广告的人有资格完成资格筛查调查，33% (n=24)完成了资格筛查调查。然而，在Ovia的整个招募期间，只有两个人(18%的人被认为有资格参加公开试验)完成了eConsent表格。研究团队将这种低入学率归因于使用了通常用于面对面招募的冗长而合法的知情同意书。虽然我们的团队最初很少收到来自参与者的直接、正式的反馈，但有几个团队改变了他们的同意流程，使其更加精简，看到了立竿见影的效果。

我们的团队实施了一些策略来改善参与者的eConsent体验。首先，一个团队最初包含了两部分的同意过程，潜在参与者必须同意筛查调查，然后，如果符合条件，则进行完整的研究。在简化版本中，团队计划在筛选后执行单一的同意任务。

另一个挑战招募参与者的团队修改了eConsent表单的外观和内容。“处处鼓励母婴研究中心”成员[29在咨询了一位营销策略师后，他们修改了eConsent流程。他们推断，最初的同意过程是有问题的，因为成功完成完整同意过程的合格参与者数量有限。使用Qualtrics跟踪潜在参与者的进度。EMBERcenter团队在与营销策略师协商后，将知情同意文件修改为来自首席研究员的信件，并在一些段落中加入表情符号、首席研究员的照片和项目符号。他们还删减了一些材料，这样最终的版本读起来更像是参与者可能从研究协调员那里听到的描述。

许多这些策略的目标是在参与者离开社交媒体或应用程序平台进入虚拟学习环境时，为他们提供无缝的体验。如果社交媒体平台是非正式的，文本有限，那么学习环境应该尽可能反映这一点。我们建议进行低风险数字试验的研究人员与其机构审查委员会(IRB)合作，修改同意期限和要求。我们的目标是使用尽可能少的文字，以确保参与者理解风险和好处，并避免创建看起来像科技公司服务条款的同意材料，因为许多用户习惯在不阅读的情况下签署这些文件。由于许多指南和模板化的同意文件是基于传统的现场试验，研究团队可能需要与irb合作，并教育他们如何适应数字试验。

挑战2:用户留存

一旦参与者成功注册，就很难留住他们。在我们的许多研究中，我们要求参与者在几个月或几年的时间内对在线调查做出回应，我们担心高流失率会对有效性构成威胁。如前所述，在数字试验中，流失是一个有据可查的问题，大多数参与者在研究的第一周内就退出了[30.］．幸运的是，强大的用户粘性策略能够对留存率产生重大影响。我们研究团队的一些数字试验的留存率高于平均水平[31，32］．

除了提供奖励和发送提醒以减少流失外，我们的研究团队还实施了一些新颖的留存策略。传统试验的一个有效策略是在随机化之前对研究进行30分钟的引导[33］．在互动导向过程中，动机性访谈技术可用于处理对干预的感受和矛盾心理，并可分配不同的参与者组(即控制组和试验组)[33］．在REST研究中[34]，这些定向是由研究协调员通过电话进行的。在Sunnyside的研究中，对使用CBT预防产后抑郁症发展的纵向数字干预进行了评估，完成了最初的参与电话，向参与者介绍该项目，并确保能够获得研究材料[35］．

我们团队采用的另一种策略是，根据参与者完成在线调查的比例，逐步增加激励措施。此外，一些研究团队向参与者赠送礼物，以证明参与者信息和参与的重要性和价值。例如，在2019冠状病毒病(COVID-19)期间怀孕和隔离的经历调查(EPIC)中，研究团队将婴儿湿巾和一封祝贺参与者婴儿出生的信一起邮寄了。Tele-MILC研究通过在研究简报中宣布的每月比赛来吸引参与者;具体来说，参与者可以创建表情包、发送婴儿照片或回答一个琐事问题来获得额外的奖励。

其他提高参与度的策略集中在在参与者之间创建一个社区和激发利他主义。EPIC调查的研究团队实施了一些策略来创造一种社区感觉。首先，他们给参与者起了一个小组的名字，这样就能产生一种更私人的感觉。此外，研究人员还生成了一张参与者居住的所有邮政编码的地图，以显示研究的范围以及与其他参与者的距离。为了确保参与者的隐私和机密性，研究团队在参与者居住的每个邮政编码附近都标注了一个点。Tele-MILC研究小组的成员制作了一个“感谢”视频，该视频出现在注册过程的最后。在视频中，首席研究员和研究团队的成员表达了他们对参与者的赞赏，这项研究的重要性，以及参与者在为科学做出贡献方面所发挥的作用。该视频旨在挖掘参与者的利他主义，并展示数字试验背后的真实人类。

挑战3:虚假注册

虚假登记是数字试验中常见的问题，特别是利用社交媒体进行招募的试验，可能会对数据完整性和样本有效性造成威胁[36］．虚假注册可以通过几种方式发生。首先，不符合条件的个人可能会谎称自己符合条件。在我们的一些研究中，我们担心在招募时没有怀孕的男性或女性会试图注册，尽管广告清楚地描述了目标人群。我们还担心某些人会继续编辑他们对筛选调查的回答，直到工具宣布他们符合条件。其次，符合条件的参与者可以多次尝试参加一项研究，以获得额外的奖励。最后，运行自动化任务的软件应用程序，被称为机器人，可以假扮成参与者来获得奖励。37］．我们的几个研究团队已经对欺诈性注册进行了监控，并检测到了机器人。我们发现，Ovia和其他针对孕妇和产后人群的平台的一个优势是，不符合条件的人试图注册的情况更少。

研究团队使用了孕妇和产后人士不专门使用的社交媒体平台，开发了验证怀孕和识别机器人的方法。一些团队要求参与者提供最近的超声波照片，或者要求他们上传出生证明。一个研究小组在早期调查中提出了一个“内幕”问题(即只有符合条件的参与者才有可能正确回答的问题)，要求每个参与者输入他们的产科医生的名字。

我们的数字试验用于检测欺诈的其他策略包括一致性检查(例如，“怀孕几周”是否与婴儿的预产期匹配?)和开放式调查问题。开放式问题是有用的，因为研究团队可以评估答案是否连贯。Tele-MILC研究在一个调查问题中结合了2种欺诈检测策略(内部和开放式)。在第一个调查中，我们询问了人们最喜欢Ovia应用程序的什么。我们审查了对这个问题的回答，以确保参与者确实是Ovia用户(并且没有进行平台外招聘)，并且是真正的人类与回答不连贯的机器人。额外的策略包括表2．

结论

尽管数字化试验对孕妇和产后个体的需求和效用得到了证明，但对方法的指导仍然有限。考虑到这些群体在参与研究方面面临的系统性障碍，需要有方法来招募和保留大规模、多样化的样本，特别是少数群体。因此，我们的合作旨在开始对话，并为研究人员和数字试验协议的审查人员提供建议。虽然我们在这篇评论中提出的策略已经在1个或多个试验中进行了试点测试，但未来的研究应该在不同的人群和研究类型中正式测试它们的有效性。鉴于数字试验的快速增长和重要优势，需要强有力的研究设计来帮助克服其弱点，以推动科学发展并刺激妇幼保健领域的持续创新。