这是一篇开放获取的文章,根据创作共用署名许可(http://creativecommons.org/licenses/by/2.0/)的条款发布,允许在任何媒介上无限制地使用、分发和复制,前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
针对酗酒问题的网络自助干预正在走向成熟。它们在成本效益方面显示出了有希望的结果,而且它们提供了在更大范围内接触问题饮酒者的机会。现在的问题是,某些问题饮酒者群体是否比其他人更能从这种基于网络的干预中获益。
我们试图确定减少饮酒有效性的基线,与客户相关的预测因素,这是一个24/7,免费获取,互动,基于网络的自助干预,没有治疗师指导,为想要减少饮酒量的问题饮酒者。干预是基于认知行为和自我控制原则。
我们对一项随访6个月和12个月的实用随机试验数据进行了二次分析。参与者(N = 261)是荷兰普通人群中的成年问题饮酒者,男性每周酒精消费量超过210克,女性超过140克,或在过去3个月内每周有一天或更多天饮酒至少60克(男性)或40克(女性)。六项基线参与者特征被指定为治疗反应的假定预测因素:(1)性别,(2)教育程度,(3)互联网使用能力(社会人口学),(4)平均每周饮酒量,(5)先前对酒精问题的专业帮助(问题饮酒水平),以及(6)参与者对基于网络的问题饮酒干预的期望。使用最后一次观察结转(LOCF)数据进行意向治疗(ITT)分析,并进行回归归算(RI)来处理随访损失。对相互作用项进行统计检验,并进行线性回归分析,以调查参与者在基线时测量的特征是否预测6个月和12个月随访时的积极治疗反应。
在6个月时,先前对酒精问题的帮助仅在RI模型中预测了一个小的、边际显著的积极治疗结果(beta = .18,
尽管女性和受教育程度更高的使用者似乎更有可能从减少饮酒干预中获益,但我们研究的基线特征都没有令人信服地预测出有利的治疗结果。因此,基于网络的干预似乎非常适合不同种类的问题饮酒者群体,因此可以作为针对普通人群问题饮酒者的阶梯式护理方法的第一步治疗。
国际标准随机对照试验号(ISRCTN): 47285230;http://www.controlled-trials.com/isrctn47285230(由WebCite存档于http://www.webcitation.org/5cSR2sMkp)。
酗酒问题不仅是个普遍存在的个人问题;它还对普通民众造成严重的健康和社会负担[
众所周知,治疗反应并不仅仅受治疗的影响[
因此,我们在此调查特定的基线特征是否可以被确定为荷兰人群中问题饮酒者的积极治疗结果的预测因素,他们完成了一项名为“少喝酒”的基于网络的自助干预。基于文献中已经报道的预测因子,我们假设了六个假定的基线特征(1)女性性别,(2)高等教育程度,(3)互联网能力,(4)中度问题饮酒,(5)问题饮酒之前的专业帮助,以及(6)对网络干预积极结果的高期望,这些特征将与少饮酒相互作用,以预测随访中更有利的治疗结果。我们对减少饮酒试验数据进行了二次分析[
据我们所知,这是第一篇使用随机试验数据来评估短期和长期结果的预测因素的文章,这些预测因素是针对普通人群的问题饮酒者的网络自助。
数据取自一项实用的随机试验,两组平行进行分组随机分组,按性别分层,随访时间分别为6个月和12个月[
我们将排除标准保持在最低限度,以促进低阈值纳入策略,与无治疗指导的自助干预的性质一致。因此,我们没有进行诊断性访谈。在筛选和基线评估后,参与者被随机分配到实验组(减少饮酒干预)或对照组(10分钟内即可阅读的在线酒精使用心理教育手册)[
参与者通过试验的流程
实验条件下的参与者接受了“少喝酒”干预措施[
“少喝酒”网页[
我们选择基线参与者特征作为假定的预测因子是基于理论假设和先前预测研究的结果[
结局指标定义为总组中基线(T0)平均每周饮酒量与治疗后(6个月,T1)和随访(12个月,T2)平均饮酒量之间的个体差异。使用荷兰版每周回忆法(WR)评估酒精消费量[
我们首先使用
在第三步中,我们创建了连续和分类基线变量的二分法测量,以及已经二分法的性别变量(女性性别:是/否)。WR量表的值转化为一个变量,将中度问题饮酒(女性平均每周饮酒单位14 - 35,男性平均每周饮酒单位21 - 50)与严重问题饮酒(女性/男性平均每周饮酒单位> - 35或> - 50)区分开来。有两个以上类别的分类变量被重新编码为两个有意义的类别:(1)教育程度:高/低(大学和专业学位与其他);(2)网络能力:有经验/初学者;(3)曾有酗酒问题的专业帮助:是/否;(4)基于网络的干预期望:高/低。然后,我们应用回归分析来确定这些特定的群体是否比其他群体从干预中受益更多。我们评估了基线以上属性和减少饮酒干预方式之间的相互作用,然后评估了这些相互作用对治疗结果的影响。在这个模型中,标准化的个体变化分数(干预前到干预后的效应大小)作为依赖变量或结果变量。每个参与者特征与干预假人(实验条件= 1,对照条件= 0)的交互项及其组成的主效应作为独立的预测变量。
接下来,我们计算了干预假人与每个描述参与者特征的假变量的乘积[
随后,我们对在6个月(n = 151)或12个月(n = 163)完成随访问卷的参与者重复了这一过程,以验证两项ITT分析的结果是否持续。最后,我们使用描述性统计来说明在确定的预测因素方面,酒精消费量随时间的变化。样本量为6个月时每个变量24名参与者,12个月时每个变量26名参与者[
基线时参与者的人口学特征和临床特征见
261名参与者的基线特征(数值为参与者的数字和百分比,除非另有说明)
条件一个 | ||
实验 |
控制 |
|
女性性别b | 64 (49.2) | 64 (48.9) |
教育b | ||
低 | 41 (31.5) | 38 (29.0) |
高(学术/专业)b | 89 (68.5) | 93 (71.0) |
互联网能力强b | 104 (80.0) | 100 (76.3) |
高治疗期望b | 61 (46.9) | 66 (49.6) |
每周标准单位的酒精摄入量c
|
43.7 (21.0) | 43.5 (22.3) |
中度问题饮酒b
|
74 (56.9) | 74 (56.5) |
严重酗酒问题 |
56 (43.1) | 57 (43.5) |
酗酒问题的专业帮助b | 18 (13.8) | 15 (11.5) |
沉思阶段d | 116 (89.2) | 115 (87.8) |
节制饮酒为目标 | 120 (92.3) | 123 (93.9) |
年龄(平均值,SD) | 45.9 (8.9) | 46.2 (9.2) |
与伴侣同居 | 75 (57.7) | 71 (54.2) |
有偿就业 | 94 (72.3) | 96 (73.3) |
一个所有条件间的差异均不显著(在
b表明良好治疗反应的假定预测因子。
c一个标准单位含有10克乙醇。
d采用荷兰语验证版“改变准备程度问卷”评估[
基线后6个月未返回问卷的参与者与治疗后应答者在基线时评估的特征方面没有差异(
在成功减少6个月和12个月平均每周酒精使用量方面,对预测因子-治疗交互作用的分析显示,最后一次观察-结转(LOCF)和仅完成者模型的结果相似。因此,我们在这里只介绍意向治疗模型。仅完成者分析的结果可从第一作者处获得。
在成功减少每周平均酒精使用量方面,对预测因素-治疗相互作用的分析发现,在6个月时,假定的预测因素没有显著影响(
在随访6个月和12个月时,使用最后观察-结转(LOCF) imputation对预测因子-治疗相互作用进行单独回归
交互项:参与者各条件特征(饮酒少= 1) | 对平均每周饮酒量的影响一个在 |
对平均每周饮酒量的影响一个
|
||||
βb |
|
|
βb |
|
|
|
女 | .003 | .98点 | 03 | 口径。 | .045 | 02 |
教育水平高 | 。 | 。 | 03 | .33 | . 01 | 03 |
互联网能力强 | 13。 | 点 | 03 | 厚 | 无误 | 〇〇 |
高治疗期望 | .09点 | .37点 | 03 | .09点 | .37点 | 〇〇 |
中度饮酒问题(女性/男性每周14-35单位或21-50单位)一个) | 02 | .86 | 03 | .04点 | 2 | 06 |
饮酒前的帮助 | 07 | 的相关性 | 03 | 0。 | .60 | 〇〇 |
一个用含有10克乙醇的标准单位测量
bBeta:标准化回归系数
c
在随访6个月和12个月时,使用回归imputation (RI)对预测因子-治疗相互作用进行单独回归
交互项:参与者各条件特征(饮酒少= 1) | 对平均每周饮酒量的影响一个6个月时(N = 261) | 对平均每周饮酒量的影响一个在12个月时(N = 261) | ||||
βb |
|
|
βb | P |
|
|
女 | 06 | 53 | 点 | 低位 | . 01 | 03 |
教育水平高 | 厚 | .37点 | .10 | .21 | .10 | 03 |
互联网能力强 | .002 | 获得 | .10 | 06 | .97点 | . 01 |
高治疗期望 | 酒精含量 | .14点 | 厚 | .04点 | .74点 | 〇〇 |
中度饮酒问题(女性/男性每周14-35单位或21-50单位)一个 | 。08 | .46 | 16 | .09点 | 点 | 。 |
饮酒前的帮助 | 只要 | 0。 | 厚 | 02 | .79 | . 01 |
一个用含有10克乙醇的标准单位测量
bBeta:标准化回归系数
c
我们比较了两种情况在6个月和12个月时的平均每周饮酒量,如意向治疗分析和仅完成分析所示。最后的观察-结转(LOCF)模型似乎是对整个组最保守的估计方法,因为它在两种情况下都返回了最高的酒精摄入量,因此表明改善较少。因此,我们选择这些更谨慎的LOCF结果来报告我们分析中确定的两个主要预测因素的结果。关于其他两个模型的详细信息可以从第一作者那里获得。
基线后6个月和12个月,实验组和对照组每周平均酒精消耗量(含10克乙醇的平均每周单位)减少,按性别分列(LOCF)
6个月时,与其他类别相比,受教育程度越高的“少喝酒”(实验)参与者在绝对和相对方面都实现了最大的减少(-7.74个单位,-19.0%)。
在基线后6个月和12个月,实验组和对照组每周平均酒精消耗量(含10克乙醇的平均每周单位)减少,按高教育程度和低教育程度排序(LOCF)
这项研究的目的是在6个月和12个月评估时,确定某些群体是否比其他群体更能从“少喝酒”(一种针对问题饮酒者的基于网络的自助干预)中受益。我们调查了参与者在基线时的六个特征,作为治疗反应的假定预测因素:(1)女性性别,(2)高教育水平,(3)高互联网经验,(4)中度而非重度问题饮酒,(5)先前对酒精相关问题的专业帮助,以及(6)对网络干预的高期望。
在6个月的随访中,我们无法令人信服地建立任何这些假定预测因素的预测价值,可能的例外是先前对酒精问题的帮助,在回归归算模型下仅略微显著。其他一些研究也同样认为,之前的专业帮助是积极的“患者-治疗”互动导致成功结果的预测因素[
在12个月时,我们发现女性性别和高等教育的预后值适中;这两个变量都与减少饮酒自助干预的更好治疗反应相关。研究发现,完成干预的女性减少饮酒量的程度明显高于男性或对照组参与者。桑切斯-克雷格(Sanchez-Craig)及其同事报告了在一般人群样本中,女性性别作为成功短暂干预结果的预测因素的可比结果[
较高的教育水平也具有适度的预测能力,并与饮酒减少相结合,解释了12个月的少量方差。这一发现与其他研究的结果一致,这些研究认为,高学历与治疗干预相互作用,可产生良好的结果[
在我们的研究中,没有发现调查的其他特征作为预测因素。中度问题饮酒基线水平(以平均每周饮酒量计算)并不比重度问题饮酒水平预测更好的结果。这与许多研究形成了鲜明对比,这些研究认为短暂的干预更适合中度问题饮酒者[
与其他一些研究相比,我们没有发现其余两个假定预测因素的任何预测价值,即互联网经验和治疗疗效的积极预期[
这项研究有几个必须承认的重要局限性。我们对实际随机试验的数据进行了二次分析[
其次,我们进行了预先指定的亚组分析,因此不能排除多次测试导致的假阳性或假阴性预测因素[
我们可以调查的预测因子数量也受到数据的限制。这让我们无法研究自我效能感,而自我效能感是一个潜在的重要预测因素。
我们的研究也有很多优势。这项分析所基于的研究是第一批实用的随机试验之一,研究了基于网络的自助干预的有效性,没有对普通人群中的问题饮酒者进行治疗指导。这些数据也使我们能够研究短期和长期的关系。因为当我们第一次选择试验样本时,我们已经预料到随访的总体损失很高,所以我们纳入了足够多的参与者,以确保统计能力来检测实验条件和控制条件之间以及亚组之间的差异[
研究发现,女性性别和高教育水平与减少饮酒自助干预相互作用,以预测干预开始一年后更好的治疗反应。这表明,在没有治疗指导的情况下,基于网络的自助可能对那些更害怕被污名化的问题饮酒者具有特殊的吸引力,包括女性或受过高等教育的人群——这些人群可能很难通过面对面的简短干预来接触[
与此同时,这里确定的预测因素的影响仅对患者特征如何与治疗相互作用以影响结果提供了非常部分的解释。自我效能等其他基本属性也可能发挥作用[
我们的发现可以提高公共卫生策略,使用阶梯式护理方法来遏制一般人群的问题饮酒。由于我们所确定的群体中没有一个明显地从“少喝酒”中获益,我们认为基于网络的自助非常适合广泛的、异质的问题饮酒者群体。因此,它可以很好地作为阶梯式护理模式的初始干预,适用于一般人群中大量不同的问题饮酒者群体,而不仅仅是更多的个体水平[
我们的结果增加了从预测研究中已经获得的知识,我们测试了个人基线属性在网络自助对一般人群问题饮酒者的有效性中所起的作用。未来预测研究的范围现在需要扩大,以包括治疗内进展变量的贡献,如剂量-反应关系和启动积极行为改变所需的时间,以及治疗后变量,如社会支持。鉴于基于网络的问题饮酒者干预和相关预测研究的新颖性,我们的研究需要复制。
作者要感谢本研究的参与者。该研究由荷兰卫生研究与发展组织(ZonMw)资助,资助号# 2200.0140。我们非常感谢迈克尔·达拉斯的英文编辑。所有作者都对研究的概念、设计和分析做出了贡献。
没有宣布。
属性处理交互
治疗意向
最后的观察结果结转
数量-频率变异指数
回归归责
每周一次的回忆