这是一篇开放获取的文章,根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)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。
电子保健干预措施有可能增加用户的身体活动。然而,它们的效果各不相同,通常只有短期效果。提高其有效性的一种可能的方法是通过给予用户关于干预有效性的积极建议来增加用户的积极结果预期。研究表明,当个体对各种类型的干预有积极的期望时,他们往往会从这些干预中受益更多。
这项基于网络的研究的主要目的是调查积极的建议是否可以改变参与者对智能手机身体活动干预有效性的期望,并随后增加参与者在干预期间采取的步数。此外,我们还研究了建议是否会影响应用程序的感知有效性、应用程序的参与度、参与者自我报告的活力和疲劳程度。
这项研究涉及21天的全自动身体活动干预,旨在帮助参与者多走几步。干预是通过一个基于智能手机的应用程序进行的,该应用程序向参与者提供特定的任务(例如,设定活动目标或寻求社会支持),并记录他们每天的步数。参与者被随机分为积极建议组(69/133,51.9%)和对照组(64/133,48.1%)。强调干预有效性的积极建议在干预前通过网络传单发送给参与者。在干预的第8天和第15天,通过应用程序重复了建议。
与干预的21天相比,参与者的每日步数显著增加(
虽然这些建议并没有影响到每天的步数,但它们增加了参与者的积极期望,减少了他们的疲劳。这些结果表明,在电子健康体育活动干预中加入积极的建议可能是一种有希望影响干预的主观而非客观结果的方法。未来的研究应侧重于寻找加强这些建议的方法,因为它们有可能提高电子卫生干预措施的有效性。
开放科学框架10.17605/OSF.IO/CWJES;https://osf.io/cwjes
电子卫生干预措施使用信息和通信技术,如移动电话和计算机,来改善或实现卫生保健。智能手机和电脑的广泛普及使得向广大人群提供电子保健干预措施成为可能,而不需要大量的财务成本。电子健康干预措施的很大一部分侧重于行为改变和实施健康的生活方式习惯,如增加体育活动和改变饮食习惯[
提高电子保健干预措施有效性的一种可能方法是操纵用户对干预措施的期望,但尚未对此进行调查。这可以通过向用户提供强调干预有效性的积极建议来实现。积极的结果预期是安慰剂效应的主要机制之一。关于积极建议对各种干预措施结果的影响,已经进行了大量研究[
虽然积极建议引起的安慰剂效应在医疗保健的各个领域得到了广泛的研究,但在电子健康中使用安慰剂效应的潜力的研究仍然很少。最近的一项研究使用了几种积极的建议来改变参与者对智能手机提供的旨在改善情绪的安慰剂干预的期望。
这项研究调查了积极的建议是否能影响参与者的期望,并提高身体活动智能手机干预的有效性。我们研究了在干预前和干预期间给出的积极建议对几种结果的影响。主要结果是(1)参与者对应用程序有效性的期望(2)参与者在干预期间采取的步数。次要结果是应用程序的感知有效性,应用程序的参与度,以及参与者在干预期间的活力和疲劳。
该研究得到了莱顿大学心理学研究伦理委员会(2020-09-14 awmevers - V2-2625)的批准。研究方案已预先登记于开放科学架构[
采用随机、受试者间研究设计。参与者被随机分配到两种情况中的一种:(1)积极建议组(有积极建议的干预)和(2)对照组(没有建议的干预)。使用随机数生成器将参与者随机分组,分组大小为6。
这项研究是基于网络的,所有测量都是通过互联网进行的。在干预过程中,参与者没有与研究人员直接接触;然而,如果他们有问题,他们可以通过电子邮件与研究团队联系。
本研究招募了年龄在18至40岁之间的健康参与者。招聘是在莱顿大学校园内进行的,并通过Facebook和WhatsApp等社交媒体进行。入选标准是充分理解、阅读和写作英语的能力;会使用智能手机和互联网;拥有智能手机的;并且愿意增加体力活动。患有可能妨碍正常身体活动模式的疾病(如关节问题或心脏病)的参与者被排除在这项研究之外。参与者如果完成了整个干预,可以获得10欧元(11.43美元)或8个学习学分;如果完成了两周,可以获得6欧元(6.86美元)或6个学习学分;如果完成了干预的第一周,可以获得3欧元(3.43美元)或3个学分。奖励是在研究结束后发放的。
由于到目前为止还没有关于积极建议对电子健康干预中步数的影响的研究,因此选择了一项关于积极建议对身体表现(举重练习)的影响的研究来进行样本量计算[
该研究被宣传为一项测试手机身体活动干预的研究。研究人员向感兴趣的参与者发送了一份包含研究细节的信息信,并要求他们在Qualtrics平台(Qualtrics International Inc)上以数字形式签署一份知情同意书。参与者被要求在干预开始前至少一周在手机上安装谷歌Fit或Apple Health应用程序。研究应用程序检索了这些应用程序在干预前一周的步数数据,并将其用作参与者平均步数的基线测量。
在干预开始前一周,参与者会收到苹果App Store和谷歌Play Store的下载链接。在下载应用程序后,他们被要求填写几份基于网络的基线问卷,测量他们对应用程序的期望、过去两周的活力和疲劳、运动动机、焦虑程度以及对应用程序的期望参与度。在这一点上,他们还被要求允许从谷歌Fit或Apple Health中检索自己的步数,并向他们发送推送通知。
在干预的第一天,参与者被随机分配到以下干预条件之一:有积极建议的干预或控制干预(没有建议)。在干预的第一天早上,积极建议组的参与者收到了一份网上传单,上面有积极的建议(
左为正面建议,右为控制性建议。
在干预的第8天和第15天重复的简短建议的截图。
在积极建议组中,在干预开始前,参与者收到了关于干预有效性的信息传单。它强调,研究应用程序已被证明成功地激励人们更积极地锻炼身体,并列出了使用该应用程序的各种积极影响
此外,这些建议在研究应用程序中实施,并在干预的第8天和第15天(干预的第1周和第2周结束)再次给予参与者(加强建议)。为了避免在控制组和实验组必须阅读的信息量上带来太大的差异,只给了两个非常短的助推器。助推器建议的截图显示在
在对照组中,参与者收到了一份关于研究应用程序的技术细节的传单。这些信息与积极建议组中的信息长度相似,但不旨在影响参与者对干预有效性的期望。控制手册载于
研究应用程序是与MobileCoach [
研究干预包括入职和21天的积极干预。在21天的干预中,每天早上,参与者都会收到来自该应用的聊天机器人的几条消息,该机器人被定位为移动步教练。这些信息包含简短的心理练习,帮助使用者设定合理的活动目标,并思考参与干预的原因、可能的障碍以及克服这些障碍的方法。类似于其他基于mobilecoach的干预措施[
应用程序的截图。
干预措施基于健康行为改变的跨理论模型[
参与者被问及他们的年龄、性别、国籍、身高和体重。BMI根据参与者的身高和体重计算,计算公式如下:体重(kg)除以身高(m)2).
使用RStudio(版本1.1.447;R版本4.0.4)。数据和R代码可在web上获得[
为了比较各组的基线特征(年龄、BMI、干预开始前一周的步数、基线期望、疲劳程度、活力、基线期望使用MobileCoach的时间和运动动机),采用独立样本2尾分析
为了调查MobileCoach干预是否对参与者每天行走的步数有影响,我们将参与者在干预前一周的每日步数平均值与干预期间的每日步数平均值进行了配对样本比较
采用R (R Core Team, 2013)中nlme包的lmer函数进行线性混合效应模型分析,以检验本研究的主要假设。定义了数据的多层结构
为了调查这些建议是否对参与者对干预有效性的期望有影响,我们使用了一个线性混合效应模型。第1天的期望(建议后)为因变量,自变量为组和基线期望(建议前)。
为了检验这些建议是否对干预期间所采取的步骤有影响,我们使用了线性混合效应模型方法。在21天的干预中,每一天的步数被用作因变量,分组、基线步数(以控制行走的个人基线差异)和天数为自变量。
为了检验建议是否对干预的感知有效性有影响,以干预的有效性为因变量,以分组和天数为自变量,采用线性混合效应模型。
为了检验建议是否对应用程序的预期粘性有影响,使用了一个线性混合效应模型,将建议后预期粘性作为因变量,将组和建议前预期粘性作为自变量。为了调查在干预期间,建议是否对应用程序的参与度有影响,使用了一个线性混合效应模型,以参与度为因变量,以日期和群体为自变量。
为了检验这些建议是否对活力和疲劳有影响,采用了2个独立的线性混合效应模型,以干预期间的活力或疲劳为因变量,分组和基线活力或疲劳为自变量。
为了检验后建议期望是否对因变量有影响,我们创建了几个类似的模型,将后建议期望而不是群体作为自变量,并将步数、感知应用有效性、(预期)参与度、活力和疲劳作为因变量。
在第一轮研究中,在2020年11月至2020年12月期间招募了93名参与者。由于在广告中列出了入选标准,因此没有参与者因不符合入选标准而被排除在外。然而,退出率高于预期,在第一轮数据收集后,只有39.8%(37/93)的参与者可以获得完整的数据。因此,在2021年2月再次进行了干预,又招募了45名参与者参与研究,以达到预期的样本量。由于研究的网络性质,没有对过早停止的参与者进行随访。因此,参与者退出的原因仍然未知。
总共有138名参与者被随机分为两组;133名(96.4%)参与者开始了研究,79名(57.2%)参与者的完整数据可用。包含在每个步骤和退出的参与者的流程图显示在
在133名参与者中,69名(51.9%)参与者(n=55, 80%为女性;N =13,男性占19%;n= 1,1%其他)被分配到积极建议组,64人(48.1%;N = 56,88%为女性,N = 8,13%为男性)。样本的平均年龄为23.3岁(SD 6.1岁)。通过比较测试的组的基线特征概述见
各组基线变量平均得分及比较统计(N=133)。
变量 | 积极建议组(n=69) | 对照组(n=64) |
|
Wilcoxon测试一个 |
|
|||
|
值, |
值, |
值, |
值, |
|
|
|
|
年龄(年) | 24.00 (6.79) | 69 (100) | 22.45 (5.26) | 64 (100) | - - - - - -一个 | 1939 | 口径。 | |
BMI(公斤/米2) | 23.08 (4.52) | 66 (96) | 22.71 (3.38) | 61 (95) | - - - - - - | 2004 | .97点 | |
步骤 | 4060.47 (2271.2) | 55 (80) | 4172.77 (2576.11) | 53 (83) | - - - - - - | 1457 | 获得 | |
对应用效果的期望 | 21.29 (2.87) | 69 (100) | 21.05 (3.12) | 64 (100) | - - - - - - | 2171 | .87点 | |
对学习应用程序的预期参与度 | 30.06 (2.75) | 69 (100) | 30.20 (2.86) | 64 (100) | 0.30 (131) | - - - - - - | .77点 | |
活力 | 4.25 (0.88) | 69 (100) | 4.28 (0.87) | 64 (100) | 0.25 (131) | - - - - - - | 结果 | |
乏力 | 30.12 (9.61) | 69 (100) | 30.98 (8.95) | 64 (100) | 0.54 (131) | - - - - - - | .59 | |
焦虑 | 5.49 (3.97) | 69 (100) | 6.05 (4.7) | 64 (100) | - - - - - - | 2279 | 综合成绩 | |
|
||||||||
|
Amotivation | 5.61 (2.49) | 69 (100) | 5.62 (2.57) | 64 (100) | - - - - - - | 2170 | .85 |
|
外部 | 6.04 (2.65) | 69 (100) | 6.23 (3.16) | 64 (100) | - - - - - - | 2178 | .89 |
|
融合 | 8.54 (3.37) | 69 (100) | 9.45 (3.27) | 64 (100) | - - - - - - | 2508 | 只要 |
|
确认 | 14.46 (3.72) | 69 (100) | 14.59 (3.82) | 64 (100) | - - - - - - | 2255 | 点 |
|
内在 | 13.94 (4.6) | 69 (100) | 13.59 (4.36) | 64 (100) | - - - - - - | 2256 | 点 |
一个在变量非正态分布的情况下,使用Wilcoxon检验系数。
组间预期显著差异,中等效应量(B=−1.61,SE 0.47;
在基线和第一天向参与者发送带有建议的传单后,每组的平均期望得分。错误条表示SDs。
与干预前一周的平均每日步数(平均4115.5,SD 2414.9)相比,无论各组,参与者在干预期间的每日步数(平均5689.6,SD 2718.3)显著增加;
在干预的每一天执行的步数与基线周的平均步数之间的差异显示在
每天干预期间的平均步数与每组的基线平均步数之间的差异。错误条表示SDs。
以建议后预期代替组(108/133,81.2%)的模型表明,预期不影响干预期间采取的步数(B=−44.06,SE 59.68;
报告了该应用程序的有效性
以应用程序有效性为因变量,以群体和天数为预测因子,采用随机截距(122/133,91.7%)的多层模型表明,群体不影响感知应用程序有效性(B=0.78, SE 0.69;
以群体和基线(预建议)预期投入为预测因素,随机截距在参与者之间变化(127/133,95.5%)的多水平模型表明,群体对建议后预期投入有显著影响(B=3.80, SE 0.63;
另一个以敬业度为因变量,分组(122/133,91.7%)和天数为预测因素的模型表明,两组(B=0.78, SE 0.75;
以干预期间的活力为因变量,组和基线活力为预测因素,随机截距(117/133,88%)的多水平模型表明,组在干预期间对活力没有影响(B=0.01, SE 0.11;
以干预期间疲劳为因变量,组和基线疲劳为预测因子(133/133,100%)的多水平模型显示,组显著预测疲劳(B=3.09, SE 0.59;
后建议期望显著影响感知应用程序有效性(B=0.62, SE 0.10;
这项研究的目的是调查是否有可能通过积极的建议来提高身体活动智能手机干预的有效性。我们证明,积极的建议影响了参与者对应用程序有效性的期望;然而,它们的效果不足以影响主要结果;也就是每天的步数。此外,积极建议组的参与者报告说,在干预期间,他们对应用程序的预期参与度高于对照组的参与者,疲劳程度也较低。
智能手机干预在帮助人们增加身体活动方面是有效的。两组参与者在干预期间比干预前平均多走1500步(SD 2517)。此外,有一些迹象表明,随着干预的进行,参与者增加了每天的步数;然而,尽管有显著的效应,但效应大小可以忽略不计。这一结果是意料之中的,因为干预包括了健康行为改变的跨理论模型的各个阶段,该阶段始于对行为改变的预思考和沉思,并以维持新的健康行为结束[
本研究主要考虑两项结果:参与者对干预有效性的期望以及干预期间采取的步骤数。我们假设积极的建议会改变参与者的期望,而这些增加的积极期望反过来会导致更好的干预结果——增加每日步数。这个模型在文献中经常被描述为安慰剂效应的工作机制:积极的建议诱导期望的变化,而积极的期望导致更好的治疗结果[
尽管期望操纵有效,但改变参与者的期望不足以影响他们的每日步数:在干预的21天内,两组之间的步数没有发现差异。此外,对应用程序有效性的期望并不能预测参与者所走的步数,这可能解释了为什么期望的增加不会影响步数。这些结果并不支持我们的主要假设,也与有关治疗预期的文献相矛盾[
对于无法确认步数的主要假设的另一种解释可能是本研究中给出的建议非常小。参与者在研究开始时收到一份带有建议的传单,并在干预的第8天和第15天简要重复了这些建议。如果建议更广泛,并在干预本身的每个元素中实施,它们可能会影响参与者的身体活动。
最后,有可能这些建议并没有影响步数,但其他一些参数反过来可能会影响疲劳。该应用程序无法测量参与者的步行速度或步行频率。如果积极的建议影响了步行的速度和频率,那么这些体力活动的增加可能会使实验组在干预期间减少疲劳。
这项研究的几个局限性必须加以解决。首先,这项研究的参与者是年轻健康的大学生。这一群体对使用手机应用程序非常熟悉和自如。因此,这项研究中发现的影响可能不适用于年龄较大和技术经验较少的人群。可能是年龄较大和技术经验较少的人会发现应用程序更难使用,因此,应用程序在这类人群中的效果可能较小。与此同时,我们的主要目标是调查积极建议对应用程序有效性的影响,并且没有特别的理由假设计算机素养会影响这些影响。其次,本研究还可以包括其他几个对照组,以使我们能够更全面地解释结果。例如,这项研究没有包括一个不参与干预的对照组。这一事实使我们无法确定干预是否是参与者身体活动增加的原因。但是,由于主要目的是研究积极建议的效果,我们省略了这个实验条件。 In addition, a comparison was made between a group that received a flyer with positive suggestions and a group that received a flyer with technical details. The possibility remains that the fact of presenting users technical versus nontechnical information influenced the study results on top of the presentation of positive versus neutral information. Future research should investigate whether nontechnical neutral information about eHealth apps differently influences their effectiveness. Another limitation of the study is that no follow-up was performed. It remains unknown whether participants would maintain the new habits that they developed during the intervention or the positive effects would disappear quickly after the intervention’s end. Moreover, a selection bias may have been present in this study. It was advertised as a study aimed at increasing physical activity, which might have attracted participants who were already interested in changing their lifestyles. It would be interesting to see how effective the suggestions would be in less motivated or less healthy participants, particularly as a recent meta-analysis of the effects of physical activity eHealth interventions demonstrated that clinical and at-risk groups benefit from such interventions more than healthy volunteers [
总之,我们已经证明,关于移动健康应用程序有效性的简短积极建议可以影响用户的期望,减少他们的疲劳。虽然对主要结果(步数)没有发现影响,但这些结果表明,在应用程序的描述中添加积极的建议可能会使电子健康干预受益。建议是一种简单有效的方式,可额外提高电子卫生干预措施的有效性,不需要额外的时间或投资。未来的研究应该集中在优化这些建议,以实现实际的行为改变。
研究方法流程图。
干预概述。
研究流程图描述研究每一步的参与者人数。
每个结果变量缺失数据的概述。
具有SDs的每组应用程序得分的平均感知有效性。
电子健康检查表(V 1.6.1)。
作者要感谢本科学生Ivana Dumucic, Vanessa Eastick, Emma Franke, Nicola Hughes, Katja Salauyova, Ines Sánchez-Saura和Rasa Urbanaviciutes在数据收集方面的帮助。作者还想感谢BENEFIT联盟的成员。这项工作得到了授予AE、荷兰心脏基金会和ZonMw(荷兰卫生研究与发展组织)的NWO Vici赠款(016. vic .170.152)的支持。资助者在数据获取、数据分析或手稿内容中没有任何作用。
AS、DSV、HvM和AE形成了本研究的思路。TCR、TK和PS设计并实现了基于mobilecoach的干预。AS收集数据并进行统计分析。AS根据所有作者的意见撰写了第一版手稿。AE负责监督整个项目。
PS和TK隶属于数字健康干预中心,这是ETH Zürich管理、技术和经济系和圣加伦大学技术管理学院的联合倡议,由瑞士健康保险公司CSS提供部分资金。TK也是Pathmate Technologies的联合创始人之一,Pathmate Technologies是一家大学衍生公司,创建和提供数字临床路径,并使用开源MobileCoach平台来实现这一目的。然而,CSS和Pathmate Technologies均未参与本研究的设计、数据分析或报告结果。