我们从PCORnet(国家以患者为中心的研究网络)的PaTH临床研究网络的三个卫生保健系统中招募了一组成年患者。这三个卫生保健系统包括约翰霍普金斯卫生系统、盖辛格卫生系统和匹兹堡大学医疗中心[ 35- 37］．

机构审查委员会(IRB)获得了约翰霍普金斯医学院(IRB00174516)的批准，该学院与其他机构的IRB签订了依赖协议。

使用基于ehr的资格标准(即“可计算表型”[ 38])查询EHR。每个站点还获得了一份潜在符合条件的参与者名单，这些参与者之前同意在这些站点完成PaTH队列研究[ 37］．资格标准包括以下内容:在2017年7月至2019年7月期间，至少18岁，在EHR中记录了一次体重和身高测量。如果参与者已经去世，他们将被排除在外。

在2019年2月至7月期间，通过电子邮件或患者门户网站(即Epic MyChart)向潜在符合条件的参与者发送招募信息。每个合作的医疗保健系统都量身定制了自己的策略，从使用可计算表型识别的大量潜在合格患者中招募参与者。有一个网站几乎完全使用患者门户招聘，重点关注上周访问过医疗系统的患者。另外两个网站通过他们的初级保健和体重管理实践发送电子邮件招聘信，并由诊所医疗主任签署。 多媒体附件1显示一个样本招募消息，其中包括一个简短的研究描述和链接到一个基于web的电子同意书。

我们在REDCap(研究电子数据采集)中设计了一个基于web的电子同意流程，从研究描述开始，包括参与者的期望和持续时间(见 图1)．在确认兴趣后，参与者开始阅读电子同意书，其中包括大声朗读同意书的补充音频剪辑，然后是一个简短的测试，以确保理解。同意的参与者提供了识别信息(即全名、出生日期和电子邮件)，使工作人员能够将每个参与者与EHR联系起来，以便将来进行分析(本文未报告)。参与者一旦同意，就会收到一个完成在线基线调查的链接( 图1)．参与者在完成基线调查后被视为纳入队列，届时他们会收到关于如何下载和使用Daily24移动应用程序的指导。

Daily24手机应用程序是由我们的研究团队定制设计的，旨在从参与者那里收集有关饮食和睡眠时间的信息，包括起床时间、睡眠时间、每次进食的时间，以及估计的进食量(即，小餐、中餐或大餐;或大或小的零食;或在24小时内饮用(水除外，不含食物)( 图2)．该应用程序的设计在其他地方描述[ 31］．我们从患者和最终用户利益相关者在移动应用程序设计以及招聘和保留方法方面的投入中受益，我们对应用程序进行了试点测试[ 31， 39］．

在加入队列后，参与者会在手机上收到一条短信，上面有一个通往Daily24注册表格的唯一链接。这个独特的链接包含一个令牌(即11个字符的通用唯一标识符)，使研究团队能够将参与者的数据在移动应用程序和他们的在线注册信息和调查之间连接起来，同时保护隐私。注册包括如何使用应用程序的概述、学习时间表和激励措施(见下一节)，然后从随机生成的组合名词(如“FloatHarbor”)列表中选择一个唯一的“Daily24名称”，一旦选择，就是参与者的Daily24用户名。参与者随后会收到一个链接，可以通过iOS (Apple Store)或Android(谷歌Play)下载Daily24应用程序。

虽然我们鼓励参与者在6个月的研究中输入尽可能多的数据，但我们制定并应用了旨在最大限度地利用应用程序的策略，在他们参与的前4周(即下载应用程序后的28天，称为“POWER 28”)和每个月1周的研究中，其余5个月，称为“POWER周”( 图1)．这些针对性很强的使用天数相当于63天(POWER 28 + POWER周× 5周)。参与策略包括排行榜、徽章、抽奖和文本提醒。排行榜显示在一个标签上跟踪的连续天数(即，连续)和在另一个标签上跟踪的所有天数的总数。获得徽章鼓励各种类型的应用使用，包括一次性徽章、streak徽章和POWER week徽章( 图3)．在整个研究过程中，我们每周抽抽25美元的礼品卡，获得徽章越多的人赢得抽奖的几率就越大。我们使用电子邮件、短信和应用内通知来鼓励使用，并提醒参与者他们在POWER 28中处于什么位置，以及POWER周何时到来。这些消息的逻辑是由时间(即接近POWER周)和缺乏响应(即缺少数据的事件)触发的。如果参与者正在记录事件，我们只是鼓励他们继续参与，而不发送额外的提醒。

Daily24应用程序使用数据是通过亚马逊网络服务收集的。在基线和4个月结束时，使用REDCap进行自我报告的在线调查，使用标准措施评估人口统计数据、移动健康使用情况、身高和体重，以及饮食、体育活动和睡眠习惯。使用皮尤2016年社交媒体更新评估了技术使用和健康应用程序的使用[ 40]和衡量健康应用程序使用特征的调查[ 16),分别。营养和饮食评估包括2009-2010年全国健康和营养检查调查膳食筛选问卷[ 41，该研究提供了过去30天水果、蔬菜和含糖饮料摄入量的估计值。使用自我管理的简短版国际身体活动问卷评估身体活动[ 42];在过去7天内，身体活动水平分为低、中、高。睡眠测量包括匹兹堡睡眠质量指数中的单项睡眠质量。 43以及研究提出的关于白天小睡频率的问题。

为了促进和鼓励基线调查的完成，参与者在同意后的15分钟、24小时和48小时收到自动提醒，并在收到初始调查链接后的90天内完成调查。个性化的调查参与策略包括员工电子邮件、短信和100美元的抽奖礼品卡。参与者有最多60天的时间来完成4个月的测量，但本文只报告基线调查的描述性结果。数据收集于2020年1月完成。

应用程序用户被定义为使用Daily24应用程序至少一天，通过至少一天至少一次吃饭和睡觉，并在屏幕上按“当天完成”来记录。非用户要么没有注册或下载应用程序，要么在任何一天都没有推送“今天完成”。应用程序使用被进一步划分为三种互不排斥的方式:

这是对父母队列研究数据的二次分析。我们采用描述性统计(学生t检验或χ²测试)所有参与者的基线特征，并按应用程序使用与不使用类别进行分类。在整个研究中，应用程序使用的中位数天数、目标和非目标使用天数的中位数天数，以及研究中每个月使用2天或以上和7天或以上的频率也被描述为应用程序使用。我们根据以下逻辑选择了这两个类别:

我们使用多变量逻辑回归模型，以应用程序使用作为因变量，评估了基线特征之间的关联。多变量逻辑回归也用于模拟基线特征与即时、一致和持续应用程序使用之间的关联。我们使用了两个逐步调整的模型。模型1根据关键人口统计数据进行了调整，包括年龄、性别、种族、教育程度、家庭收入和18岁以下的儿童。模型2还调整了可能影响参与度的关键行为因素，包括身体活动、水果和蔬菜摄入量、睡眠质量和BMI。协变量是不缺失的，预先指定的，并基于先验假设。

图4显示合格参与者的注册流程。电子招募信息被发送给70,661名潜在符合条件的参与者，其中1253名参与者(1.77%)完成了电子同意流程，1021名参与者(1.44%)完成了基线调查。共有4名参与者退出，分析样本中包括1017名参与者。参与者特征报告在 表1．1017例参与者以女性(n=790, 77.68%)、白人(n=788, 77.48%)和大学毕业生(n=749, 73.65%)为主，平均年龄为51.1岁(SD 15.0)。

在1017名参与者中，547人(53.79%)是应用程序用户(即下载了应用程序，并在至少一天中至少记录了一个条目)。在按使用类别检查应用程序用户时，立即用户(75.3%)、一致用户(50.1%)和持续用户(25.4%)分别为412人(75.3%)、274人(50.1%)和139人(25.4%)。在持续使用的用户中，116人(83.5%)在研究期间每个月至少使用一天，133人(95.7%)在6个月中的5个月内至少使用一天。与非应用用户相比(471/1017,46.31%)，应用用户更年轻(平均49.3岁vs 53.3岁; P<.001)，更有可能是大学毕业生(78.2% vs 68.3%; P<.001)，年收入更高(>US $50,000: 398/547, 72.8% vs 300/470, 63.8%; P=.02)，子女年龄小于18岁的可能性较小(21.8% vs 27.4%; P= .04点)。应用程序用户和非用户在体重、身高、平均BMI和BMI类别方面没有差异。应用程序用户不太可能喝含糖饮料(平均每茶匙糖:0.7 vs 1.0; P=.004)，报告了更好的睡眠质量(相当好或非常好:386/547,70.6% vs 298/470, 63.4%; P= 0.02)，而且每天小睡的可能性较小(2.0% vs 5.7%; P= 03)。他们也更有可能使用整体健康应用程序(462/547,84.5% vs 343/470, 73.0%; P<.001)，并将其用于跟踪运动(396/547,72.4% vs 269/ 470,57.2%)、饮食(319/547,58.3% vs 212/ 470,45.1%)和睡眠(214/547,39.1% vs 132/ 470,28.1%; P<措施for all).

在6个月的研究中，应用程序使用的中位数为28 (IQR 7-75)天，在研究的目标63天中为20 (IQR 7-35)天，在研究的117个非目标天中为6 (IQR 0-41)天。 表2按学习月描述应用程序使用情况。在第一个月的研究中，绝大多数应用用户(92.3%)使用该应用2天或以上，76.2%的用户使用该应用7天或以上。在队列研究中，使用率随着时间的推移而下降。到第6个月，27.1%的用户使用该应用程序2天或以上，20.1%的用户使用该应用程序7天或以上。

表3显示应用程序使用与不使用的多变量回归模型。年龄较小、白人(vs非白人)种族、受教育程度较高、家庭收入较高、子女未满18岁、过去使用过1至5个应用程序等因素与应用程序使用(vs非应用程序使用)在统计上显著相关。黑人参与者三分之一不太可能使用的应用程序比白人参与者,而大于大学教育和高收入(≥75000美元与< 35000美元)在统计学上显著更容易使用的应用程序。18岁以下儿童有45%不太可能使用的应用,以及那些使用了1到5的应用在过去的一个月是70%更容易使用的应用程序相比,那些没有使用应用程序在过去的一个月。

表4显示即时、一致和持续使用的多变量回归模型。年龄较大和BMI较低与即时、持续和持续使用应用程序的增加有统计学意义上的显著相关性。从统计数据来看，孩子小于18岁与即时使用app的减少有显著相关性，而更好的睡眠质量与即时和持续使用app的增加有关。

在1017名参与者中，328名(32.25%)在收到链接的72小时内完成了4个月的随访调查。在剩余的689名参与者(67.75%)中，研究人员通过个性化的电子邮件、短信和在研究完成前一周发送的100美元抽奖邀请联系到了610名参与者(88.5%)。在610名接触的参与者中，113名(18.5%)在接触一次后完成调查，56名(9.2%)在接触两次后完成调查，35名(5.7%)在接触三次后完成调查，四个月的调查完成者总数增加到532名(52.31%)。

大多数医疗保健系统都可以轻易获得电子病历和患者门户，移动医疗应用程序的使用也相当普遍[ 16， 44］．本研究报告了基于ehr的招募，来自三个卫生系统的成年人使用Daily24移动应用程序记录6个月的每日用餐、零食和睡眠时间。我们通过电子邮件向超过7万名通过电子病历识别的潜在合格参与者发送了研究邀请，使用了有效的识别(即可计算的表型)和消息传递方法(即通过电子病历患者门户网站直接发送电子邮件或发送到个人电子邮件地址)。共有1.4%的参与者在6个月内完成了电子同意书和基线问卷，这一比例略低于其他基于电子病历的招聘方法的报告[ 32- 34］．在2019年的一项单机构研究中，包括使用患者门户招聘服务的13个独立的基于ehr的招聘策略，患者门户消息的平均回复率为2.9% [ 32］．我们较低的收益可能是由于研究预期下载并积极使用应用程序6个月，或者没有为参与提供保证补偿[ 45(即礼品卡抽奖)。患者也更有可能对移动健康研究的行为干预做出反应[ 46]或与疾病相关或与健康相关的研究[ 32， 45］．在Miller及其同事的上述研究中[ 32]，在特定条件研究(即具有更具包容性的综合表型的研究)中，招募应答率(3.4%)高于一般健康研究(1.4%)。后者的反应率与本研究的招募率相同，这也不是特定于健康状况。此外，虽然我们的应用包含游戏元素(如徽章和排行榜)[ 47， 48]为了增加数据输入，我们故意没有包括旨在改变行为的行为技术(例如，目标设置和个性化行为提示)，因为该研究的主要目标是自然地检查饮食和睡眠时间以及体重和医疗状况之间的关系(结果即将公布)。

一旦注册，下载应用程序的参与者中有54%的人至少输入了一天的饮食或睡眠时间数据。虽然在这项研究中，将某人归类为应用程序用户的频率标准相当低(即至少完成一天)，但其他研究也使用了类似的低频率来定义使用情况[ 49];然而，由于不同的研究设计和与应用程序交互的模式(即被动和主动数据收集)，研究之间的比较可能具有挑战性[ 50］．例如，在哮喘移动健康研究(AMHS)中，85.21%(6470/7593)的注册参与者(即下载了哮喘健康应用程序、电子同意和经过验证的电子邮件)被视为基线用户(即至少有一个应用程序内调查条目)。然而，注册发生在应用程序已经下载之后，下载应用程序的个人(N=40,683，在美国超过6个月)是通过大型媒体闪电战招募的，而不是通过学术招聘[ 49］．资格还取决于是否有医疗条件(即与疾病相关)，该应用程序包括行为成分(例如，目标设定)。

虽然不同研究定义使用类别的标准不同，但我们的直接(75%;第一个月≥7天)且一致(50%;≥28天超过6个月)的比率高于“稳健”队列比率(30%;6个月以上5项调查)在AMHS中报告;持续使用者(25%;在第6个月期间≥2天)，我们的费率与AMHS的费率相当[ 49］．我们认为，最初能够吸引四分之三的应用用户，并留住四分之一的用户，是因为Daily24的食物和睡眠轮快速易用，而其他应用可能包含更多的调查项目，或需要更详细的饮食摄入条目。 31， 51］．应用程序的未来迭代应采用基于证据的策略和功能，以提高用户粘性(例如，带有定制健康信息的推送通知)[ 52- 54］．

本研究的使用数据提供了关于健康应用程序使用预测因子的重要信息，以指导未来使用应用程序的观察性研究的设计。我们发现，那些更年轻、受过正规教育、更富有的人更有可能成为应用程序用户，这与过去的研究是一致的。 16， 49］．这项研究还发现，白人参与者更有可能是应用程序用户，这一发现与一些研究一致。 55］．然而，这一发现与美国1604名移动电话用户的横断面调查研究并不一致[ 16]，该研究发现，身为拉丁裔或西班牙裔( P<.05)或非裔美国人( P=。07，trend) were related to a greater likelihood to download a health app. Inconsistencies in findings may be related to different assessment methods (ie, actual app usage vs self-reported use), recruitment methods (ie, national survey vs regional EHR recruitment), and racial and ethnic distribution in recruitment regions [ 16， 56］．没有18岁以下的孩子也与应用程序的使用有关。虽然这可能与年龄更小有关，但这也是一个直观的发现，即有孩子的人使用移动健康应用程序的时间可能更少，这支持了移动健康应用程序中数据输入的便利性和效率的重要性[ 16］．总体而言，年龄较小与应用程序的使用有关，而年龄较大则与早期、持续和持续使用有关。AMHS的研究同样发现，在频繁使用哮喘健康应用的用户中，年龄的增长与每天使用哮喘健康应用的可能性显著相关[ 49］．一项基于网络的酒精干预坚持和保留研究还发现，年龄较大和没有孩子的人更有可能登录[ 57］．我们还发现，BMI较低与早期、持续和持续使用有关。过去的研究发现，BMI在肥胖范围内的人使用健康应用程序的频率更高。 16]，这影响了我们的假设，即bmi较高的人更有动力下载和使用健康应用程序。虽然我们没有发现体重状况和应用程序使用之间的整体显著关联，但我们确实发现bmi较低的人更有可能在一段时间内使用健康应用程序。鉴于这种观察性研究设计，我们确定了BMI和健康应用程序使用之间的关联(即BMI较低的人更有可能进行持续跟踪和健康监测)，但我们不知道因果关系或时间性。未来的研究需要探索因果关系，以确定针对饮食和睡眠时间的应用程序是否会对影响体重的行为产生影响。 25， 56］．

这项研究有几个局限性。首先，这是一项观察性队列研究，并没有设计一个对照组来评估参与者在应用程序使用方面的差异，与我们在POWER 28和POWER周强调跟踪的方法相比，参与者被要求在没有额外指导的情况下记录6个月的目标跟踪日。在设计研究时，为了优化纵向跟踪，我们决定预先确定目标日期，以减少参与者的负担，更重要的是，增加我们在6个月中的每一天收集数据的可能性，而不是冒着前期大量使用然后下降的典型模式的风险[ 18， 49］．这种方法似乎是有效的。虽然我们在每个研究月都观察到了下降，下降幅度最大的是第1和2个月，但大约四分之一的参与者在第6个月仍在使用该应用程序，而那些在第6个月使用该应用程序的人在确定的POWER周使用它。然而，没有两组研究设计，我们不能完全断定这是理想的方法。其次，尽管我们设计徽章和排行榜是为了创造游戏元素并增加动机。 47， 48]，我们无法确定那些获得徽章的人是更有动力的个体，还是被徽章所激励。徽章是根据不同的使用类别获得的(例如，第一次登录，连续7天的跟踪，以及POWER周的4天)，并自动进入我们的抽奖活动(即，参与者不必自己将徽章输入抽奖活动);因此，要知道徽章和由此产生的抽奖是否是一种有效的游戏化方法是一种挑战。第三，不到一半的参与者没有继续下载应用程序的原因，我们没有详细的信息。由于我们的应用程序是由研究人员设计的，而不是由资金更雄厚的行业设计的，我们怀疑入门过程可能有一些繁琐的功能。最大的障碍可能是双因素认证过程的问题，该过程要求参与者在其设备上接收短信代码，并正确输入该代码以验证其身份。此外，许多人在注册应用程序时忘记、放错或输入错误密码，而且没有自动密码重置选项。虽然我们有研究人员可以提供技术支持，但只能在工作时间通过电话或电子邮件提供。第四，我们的样本主要由白人参与者、受过正规教育的参与者以及社会经济地位中上的参与者组成;因此，对其他种族、民族和社会经济群体的普遍性是有限的。未来的研究涉及独立于技术使用的基于ehr的招聘，可能会考虑与种族化和低社会经济亚群体的社区合作，以了解如何调整招聘工作和健康应用程序，以改善其对边缘社区的影响。 Finally, while our recruitment methods were efficient in terms of participant identification, messaging, and enrollment, we are unable to comment on the cost-effectiveness of EHR enrollment. Each of these health systems have made significant investments into building and maintaining their EHRs and infrastructure to enable these recruitment methods for research purposes. In addition, for this study, we leveraged existing health information technology infrastructure from the PaTH network [ 30.]，从时间和资源的角度提高效率。但是，要在各种情况下更广泛地使用这一方法，就需要更多的机构和社区伙伴关系和资源。

旨在减肥和相关行为的健康应用程序是使用率最高的移动健康应用程序之一[ 22］．限时喂养是一种新颖而有前途的肥胖及相关疾病管理方法;然而，它在很大程度上还没有在人类身上进行测试，这在很大程度上是由于帮助个人改变他们的行为以缩短饮食窗口的挑战。 15， 58， 59］．该报告是描述从三家大型卫生机构有效招募患者的第一步，并使用移动健康应用程序输入有关饮食和睡眠模式时间的信息。接下来的步骤包括将行为技术整合到应用程序中，可能还包括健康指导，以帮助个人更好地适应他们的昼夜节律，并确定这是否是一种可行有效的减肥干预措施。