心血管风险E-couch抑郁结局(CREDO)是一项随机、双盲、平行、注意力控制、网络传递的试验，针对具有心血管疾病(CVD)风险因素或诊断的患者的抑郁症状。CREDO的方法和主要结果已在其他地方发表[ 24， 25］．本研究是对干预使用的二次分析。

试验参与者从45岁及以上的研究中招募[ 26，这是一项关于澳大利亚新南威尔士州健康与老龄化的纵向研究。如果潜在的参与者年龄在45 - 75岁之间，提供有效的电子邮件地址，自我报告CVD的显著风险因素或病史，并在Kessler心理困扰10量表(K10)中筛选出至少中度心理困扰阳性，则被邀请参加CREDO试验[ 27， 28在45岁及以上研究基线数据收集期间。潜在的参与者进行了进一步的筛选，以确保其抑郁症状处于当前水平。一旦被确定为适合试验，参与者被随机分配到使用E-couch(一种互联网认知行为疗法(iCBT)干预的干预组，或在线注意力控制的HealthWatch组。E-couch及其前身MoodGYM [ 29， 30.]，已被证明能有效改善抑郁症症状[ 31］．为了确定E-couch使用对预后的影响，本研究只包括在3个月时完成预后测量的受试者。

E-couch是一个iCBT项目，包含了关于抑郁症的心理教育，包括CBT、人际心理治疗(IPT)、应用放松和身体活动。其开放获取格式[ 32， E-couch允许用户以选择自己的工具箱的形式选择他们希望参与治疗的哪方面。为了CREDO的目的，该程序被线性重组，它包含12个模块，要求用户按顺序完成每个模块，而不是能够选择他们想要参与的部分。

活动遍布E-couch。CBT组有12个活动，IPT组有4个活动，而锻炼组有2个活动。放松部分包含了放松练习的记录，但因为这不需要参与者在程序中输入任何内容，所以它没有作为一项活动包含在分析中。看到 多媒体附件1- 4练习例子的截图。当模块打开时，用户会收到一封电子邮件，如果模块还没有完成，则会在3到4天后再次收到一封提醒邮件。如果他们在课程开放1周后仍然没有完成，他们会收到一个提醒电话，要求他们返回网站。

该研究的主要结局衡量指标为9项初级健康问卷(PHQ-9) [ 33这是一个广泛使用的自我报告工具，旨在评估社区样本的抑郁症状。项目的评分范围为0到3，并提供一个从0到27分的总结分数。PHQ-9已被证明对重度抑郁症有足够的敏感性和特异性[ 29， 33并作为个体微小临床重要变化的指标[ 34］．在本分析中，PHQ-9评分降低5分为临床显著改善的标准定义[ 33作为结果衡量标准。这被用来支持连续测量，因为它被认为是最有临床意义的。

数据分析使用SPSS 20.0版本(IBM公司，Armonk, NY, USA)完成。对数据进行正态性检验，如果不满足正态性假设，则采用非参数检验。卡方检验(χ²)，独立样本 t还有曼-惠特尼测试 U测试用于确定那些坚持研究的人(即在第12周提供干预后的结果数据)和那些没有坚持研究的人之间是否有任何差异。采用斯皮尔曼秩相关(ρ)和卡方检验评估人口学变量与预后和使用的单变量关联。类似地，斯皮尔曼排序相关性，独立样本 t测试,Mann-Whitney U使用检验和卡方检验来检验使用变量和临床显著改善之间的关系。

然后使用输入方法完成二元逻辑回归模型，以评估使用变量预测临床显著改善的能力。如果回归模型中有人口统计变量和使用变量，则将其包括在内 P的价值 P<。20.for its association with the outcome. Autocorrelations between usage variables were assessed before modeling. Where significant autocorrelations were found (considered to be a correlation of r>0.80)，变量被识别为先验(即，更相关)，并被输入模型。

获得了所有参与者的书面知情同意，新南威尔士大学人类研究伦理委员会提供了45岁及以上研究的伦理批准。CREDO试验获得了悉尼大学人类研究伦理委员会的伦理批准。

在562名同意并符合试验标准的参与者中，280人(49.8%)被随机分配到E-couch iCBT项目中。其中214人(76.4%)坚持研究并提供了干预后的结果数据。坚持治疗的患者与未提供结果数据的患者在年龄、性别、出生国家、婚姻状况或基线抑郁严重程度方面无显著差异( 表1)．然而，那些在家说英语的人更有可能坚持试验(OR 2.91, 95% CI 1.51-7.38)。如 表1，在所有3个基本使用指标上，持久化和非持久化之间存在显著差异。

在214名参与者中，62.1%(133/214)完成了所有12个模块，79%(169/214)完成了10个或以上模块。总共有2名参与者(1%)没有完成任何模块，但完成了评估。参与者平均完成了18项活动中的9项(50%);完成的活动数目从0到18个不等。多个参与者在项目允许的情况下多次完成相同的活动，完成的活动总数从0到44个(平均11.9个，标准差9.1个)。参与者平均登录了18.7次(SD 8.3，范围1-65)。平均总时间为318.3分钟(SD 204.3，范围24.7-1221.7)。

参与者平均每次登录完成0.5个活动(范围0-7.57)和0.6个模块(范围0-2.0)。平均在线时间为17.3分钟(SD 10.5)，而完成一个模块的平均时间为33.19分钟(SD 23.18)。在活动和模块的综合使用度量中，平均得分为19.47 (SD为7.49)。

采用PHQ-9变化评分连续变量进行敏感性分析。这允许稍微增加功率，并在分析中包含更多的变量。然而，当回归分析完成后，每次登录完成的活动仍然是唯一的显著预测结果。曲线估计不满足每次登录完成的活动的显著性(对数曲线估计: P= 0。06;二次曲线估计: P=.09)和每次登录花在网上的时间(对数: P= .09点)。与临床显著变化相似的是，tertile split发现高、低/中等水平用户在每次登录花费的在线时间和每次登录完成的活动上存在显著差异。

关于网络干预中使用的作用，目前的思想流派倾向于借鉴其他治疗范式的文献，假设从项目中获得的益处与项目使用的水平成正比。这项研究发现，在坚持iCBT计划的参与者中，只有少数客观测量的使用变量与临床显著改善之间存在关系。在线性回归模型中包含的4个使用变量中，只有每次登录完成的活动数量独立预测最终回归模型的结果。此外，几个使用变量的非线性模型的重要性表明，使用和结果之间的关系可能不像线性关系那样简单。相反，它支持这样一种观点，即使用的好处可能发生在每次参与计划期间的高水平活动之后，而不一定是长期参与计划的结果，并且计划中完成的模块的数量是获得的好处的一个糟糕指标。同样，对使用水平的分析表明，尽管高级程序用户通常做得更好，中级程序用户并不一定比低级程序用户受益更多。

通过分析，那些更积极参与项目的参与者(每次登录时完成更多的活动，每次登录时花更多的时间在项目中)最有可能从项目中受益。这些发现与面对面的CBT并无不同，在CBT中，在治疗过程中持续完成家庭作业活动最能预测结果[ 35］．因此，这表明更积极地参与治疗的患者可能表现更好。

每个登录指标完成的活动在结果中占的差异很小。其他一些指标无法预测结果可能反映出可变性有限，特别是在完成模块方面，该指标此前与结果相关[ 16］．在本研究中，模块完成水平(62.1%的参与者完成所有模块)和登录数量(平均18，而需要12人完成课程)表明使用率相对较高。其他使用指标显示出更大的可变性，更有可能与结果相关，其中方差最大的变量(每次登录完成的活动)与结果的相关性最强。

正如预期的那样，没有坚持试验的参与者提供了使用水平较低的结果数据。这很可能反映的是早期退出和没有接触到内容;因此，他们无法更严格地遵守整个计划。年龄越大的人似乎坚持得越坚定，这与其他研究结果一致。 36］．然而，老年人上网时间越长，实际上可能就不是一个很好的衡量使用的标准，因为这可能反映了对电脑使用的不熟悉程度或认知处理速度较慢，而不是表明可能会影响结果的某些东西。研究还发现，男性完成的模块比女性多，这与之前的研究有些相反。 36， 37]，尽管最近的一项系统综述未能始终发现人口统计学变量与使用之间的关系[ 37]表明其他因素，如患者的信念和个人动机，也可能影响使用[ 38］．尽管性别和年龄被发现与完成的活动数量有关，但在这些人口统计、使用和结果之间没有发现相互作用。同样，基线抑郁严重程度、完成模块数和结果之间没有发现相互作用。因此，这支持了计划使用比人口统计对结果有更大的影响的观点。

在这里确定的使用指标和结果之间缺乏任何强有力的预测关系，这可能会挑战与结果相关的剂量-反应关系的传统观点。本研究中的高使用率可能意味着许多参与者达到了剂量反应平台期，他们已经暴露在适当水平的项目中，不太可能从额外的暴露中获得进一步的好处。该模型表明，患者可能在某些使用水平达到治疗饱和，并可能在早期获得方案的效果。如果是这样的话，我们希望通过使用培养基获得疗效，然后在患者坚持干预的情况下保持效果。在较长时间的基于网络的干预中已经看到了这样的效果[ 15];例如，克里斯滕森等人[ 39]发现4到5个模块之间的症状没有进一步改善。相反，在这些与结果相关的使用指标中，与低级别用户相比，中级别用户似乎获得的益处最少，而受益的是高级别用户，这意味着交付的模块和依从性之间的差异。

高使用率可能反映了该分析只选择了坚持研究的参与者，而其他使用-结果关联研究使用了最后观察结转(LOCF)技术。虽然只保留那些坚持的人可能会使分析偏向于更坚持的人，但使用LOCF技术合并了对坚持的测量(完成项目的人数)，这反过来又导致这些参与者似乎也使用不好(因为只有一小部分项目完成)。此外，LOCF也可能低估了干预的总体有效性，因为一些研究报告称，注意到症状改善的人会退出[ 37， 40]，但LOCF方法将假设没有改善。此外，分析还可以包括处理缺失数据的更复杂和可能更准确的方法，如多重imputation或最大似然估计混合模型。考虑到在使用率较低的情况下(因为没有完成项目，没有提供结果数据)可能会出现丢失的结果数据，而分析的目的是探索这种关系，完整的案例分析是首选。

本分析中发现的使用和结果之间的单变量关联与我们最近的综述一致，该综述表明，在报道使用的在线干预研究中，大多数(31/33项研究)发现使用变量(34/37个变量)和结果之间存在正相关关系[ 16］．然而，当进一步的分析完成后，例如在本论文中，这些变量预测临床显著变化形式的改善的能力是有限的。因此，这些发现加上本分析中的曲线估计可能会挑战使用和结果之间的线性关系的认知。这意味着，并不是仅仅接触材料就能提高结果，这一点可以从基本使用指标(如完成的模块)之间缺乏关联得到证明，而是随着时间的推移逐渐接触和积极参与材料，这一点可以从复合变量之间的强烈关系得到证明。鉴于此，我们可以得出结论，集中使用程序(例如，每次登录完成多个模块)或被动接触材料(以完成的模块来衡量)可能不如在每个登录中定期使用较短时间和较高水平的活动有用。

根据这些发现可以提出一些建议。研究发现，那些每次登录完成大量活动的人比那些很少进行活动的人获得了更大的效益，而每次登录次数中等的活动并不比每次登录次数低的活动带来更多的效益，这表明最大化在线使用行为可能会改善结果。做到这一点的一种方法是确保每个模块包含更多的活动，从而鼓励用户更多地参与他们的治疗。这些活动可以包括使用与项目治疗方式相关的活动或多项选择测验，以评估学习情况，并参考与错误答案相关的部分材料。

在每次登录时限制程序曝光，以便有足够的时间进行学习、完成活动和技能实施的程序也可能是有益的，同时加入一个“钩子”来鼓励用户在下一周继续使用[ 38］．干预的这一指示和潜在的限制性性质需要与用户在程序中的自由感知相平衡，以鼓励持续参与[ 41］．

提供教育并尽早设定用户需要做什么才能从项目中获益(例如，在在线时更加活跃)可能是改善项目结果的有效方法。这将包括强调，如果用户在可用时更积极并完成活动，他们更有可能获得好处。同样，鼓励用户多次完成活动，特别是在等待下一个模块可用的时候，也可能改善结果。然而，关于这些策略的有用性的明确结论超出了本分析的范围，将受益于进一步的研究。

进一步的机会是在整个干预过程中测量使用情况和项目收益，以确定用户在什么时候达到治疗饱和，并在这个时间点之后获得很少的项目收益。相反，这种监测可能表明需要一定的使用水平才能获得益处。确保用户积极参与计划可能需要频繁的监控，这本身就会影响干预的结果，并使用具有良好测试-再测试特性的措施。利用这种设计的未来项目还需要考虑对用户进行密集监测的负担，以及这可能增加退出研究的倾向。电子测量自动化为减轻监测负担提供了一种途径。

之前的研究发现，虽然使用程序组件与早期的进步有关，但完成家庭作业与长期的进步有关[ 42］．鉴于此，开发和使用一种旨在捕捉现实世界中在线学习的实施情况和线下作业活动的完成情况的测量方法，可能是更好地理解程序使用如何影响结果的关键。这可能就像询问用户是否完成了家庭作业一样简单，或者提供他们如何实现上一个模块的学习的细节，就像当前心理治疗中出现的反馈一样。然而，报告很可能倾向于自我报告偏差，在开发出更复杂的工具之前，可能只提供粗略的估计。对试验和项目的使用情况进行标准化评估将对理解这些过程大有裨益[ 21，并建议跨国非政府组织和开发团体，如国际互联网干预研究协会，在这一过程中发挥作用。然而，在对测量和定义用法的最佳方法达成共识之前，很难在整个试验中实现标准化。

如前所述，只包括那些提供结果数据的参与者很可能会限制结果的普遍性。然而，目前还不清楚这可能对分析产生了什么影响，以及如何最好地管理这种影响。使用LOCF实际上可能无法准确描述这些参与者的进展情况。这很大程度上是因为LOCF方法假设本组无进展。尽管研究表明，获得益处可能是帮助人们坚持干预的关键[ 38]，它也可能导致用户停止使用干预，因为他们认为自己不再需要帮助。鉴于此，对于那些未能坚持干预的人，应该谨慎地对其使用情况进行一般化假设。此外，使用研究可能受益于使用更复杂的分析方法(例如，潜在类建模[ 43， 44或高斯混合模型[ 45])，以评估是否有组别更容易作出回应，以及这些组别的用法是否不同。结果和使用的增长模型将能够更好地分析使用-结果的关联。

此外，该试验的具体纳入标准和每种干预措施的独特性质可能限制了该分析结果对其他人群的普遍性。然而，最近的研究结果表明，这可能不是最初认为的那么重要的因素，与试验相关的抽样偏差可能实际上并没有限制试验结果基于人口统计学因素进行推广的能力[ 46］．

最后，尽管数据来自随机对照试验，但本亚研究在本质上是观察性的，没有发生与使用相关的变量操作。鉴于此，暗示因果关系的能力是有限的。未来的研究需要探索这些变量的操作，例如控制登录次数以确定无限制访问是否会影响结果，探索单个登录站点的使用和结果，或限制每次登录可以完成的活动或模块的数量，以未来检验从本研究发现中得出的假设。

未来的研究将受益于探索使用指标和结果之间的关系，以进一步调查这种关系的本质。虽然该分析发现只有一个指标可以预测结果，但这一发现受限于本研究的背景。未来的研究需要继续在试验和基于网络的干预的自然实施中探索这一研究，以确定是否如此。