数字招募策略如何重塑心血管研究：从被动筛选到主动赋能的多样性革命

《Cardiology and Therapy》：Digital Strategies for Recruitment to Improve Diversity and Inclusion in Prospective Cardiovascular Clinical Research

为解决心血管临床研究中非白人、女性和老年人群代表性不足的问题，研究人员开展了一项关于数字招募策略改善多样性的研究。该研究比较了Apple Heart Study (AHS)的被动App招募与Project Baseline Health Study (PBHS)的主动目标驱动招募两种模式。结果显示，虽然两种数字策略均能改善人群代表性，但PBHS通过预设人口学目标并利用数字候诊室进行主动筛选，在女性和黑人群体中的代表性更优。该研究强调了数字工具需与有意识的策略相结合，才能实现真正包容的心血管研究。

　　

心血管疾病是全球头号死因，但一个尴尬的现实是，那些在真实世界中饱受疾病困扰的人群——女性、老年人以及少数族裔，在决定治疗方案的临床试验中却常常“缺席”。这种代表性不足不仅让研究结果难以推广，更可能加剧健康不平等。为了打破这一僵局，研究人员开始将目光投向数字技术，试图利用其广泛触达的优势来招募更广泛的参与者。然而，一个核心问题随之而来：仅仅把招募信息放到网上，就能自动解决多样性问题吗？还是说，我们需要更聪明、更有策略地使用这些工具？

为了回答这个问题，一项发表在《Cardiology and Therapy》上的研究对两种截然不同的数字招募模式进行了一场“同台竞技”。该研究比较了Apple Heart Study (AHS)和Project Baseline Health Study (PBHS)这两项大型前瞻性心血管研究，它们虽然都利用了数字工具，但背后的策略却大相径庭。AHS采用了一种“被动”模式，主要依靠用户在App Store上自行下载应用并完成注册；而PBHS则采用了一种“主动”模式，不仅利用数字平台进行初步筛选，还设立了一个“数字候诊室”，研究人员会主动从中挑选符合预设人口学目标的志愿者。这项研究旨在揭示，哪种策略能更有效地构建一个能代表美国人口多样性的研究队列。

关键技术方法

该研究采用观察性比较设计，主要基于两项大型前瞻性心血管研究（AHS和PBHS）的参与者人口学数据。AHS队列（n=419,297）通过被动、无站点的App模式招募，要求参与者拥有兼容的Apple Watch和iPhone；PBHS队列（n=2,502）则通过混合模式招募，结合了社区广告、电子健康档案（EHR）系统识别和临床医生转诊，并利用数字候诊室进行主动筛选。研究团队提取了参与者的性别、年龄、种族和民族信息，并将其与2017年美国人口普查数据进行比较，以评估其代表性。

研究结果

AHS中直接面向参与者的数字招募改善了多样性

在AHS中，研究人员分析了大规模电子邮件干预前后的招募情况。在182,665名参与者完成注册后，研究团队于2018年5月7日向所有Apple Watch用户发送了一封招募邮件。这一举措带来了显著变化：后续又有236,632名参与者加入，使得队列的多样性得到明显改善。具体而言，女性参与者的比例从干预前的30%大幅提升至干预后的52%。在种族和民族方面，西班牙裔参与者的比例从10%增至13%，黑人参与者的比例从6%增至9%。尽管年龄分布保持相似，但CHA₂DS₂-VASc评分（一种评估房颤患者卒中风险的评分系统）的分布发生了变化，评分≥2分的参与者比例从11%增至15%，这主要归因于女性参与者的增加。然而，尽管队列规模庞大，AHS中65岁及以上参与者的比例仅为6%，远低于美国人口普查数据中的16%。

PBHS通过主动策略实现了更优的人口学代表性

与AHS相比，PBHS采用了预设人口学目标的主动招募策略，其队列在多个维度上更接近美国人口普查数据。在性别方面，PBHS队列中女性占55%，不仅高于AHS的42%，也超过了人口普查的49%。在年龄方面，PBHS队列中65岁及以上人群的比例达到23%，虽然高于人口普查的16%，但远高于AHS的6%，表明其成功招募了更多老年参与者。在种族和民族代表性方面，PBHS也表现更佳：黑人参与者占16%，是AHS（8%）的两倍，也超过了人口普查的13%；西班牙裔参与者占12%，与AHS持平，但低于人口普查的18%。

研究结论与讨论

这项研究清晰地表明，数字招募工具本身是改善心血管研究多样性的强大推动力，但并非万能药。AHS的被动模式虽然通过电子邮件干预显著提升了女性和少数族裔的参与度，但其队列仍然受到技术准入壁垒（如拥有特定品牌智能手表）的限制，导致老年人群代表性严重不足。相比之下，PBHS通过将数字工具与“有意识的策略”相结合，即预设人口学目标并利用数字候诊室进行主动筛选，成功构建了一个在性别、年龄和种族等多个维度上更具代表性的队列。

这一发现对未来的临床研究设计具有重要启示。它意味着，仅仅采用数字技术进行招募是不够的，研究人员必须从一开始就明确其多样性目标，并将数字工具作为实现这些目标的战略手段。无论是无站点的虚拟研究还是传统的站点研究，这种“目标驱动”的思维模式都至关重要。当然，这两种策略也各有其局限性：AHS的模式可能因设备要求而引入社会经济地位相关的偏倚，而PBHS的模式则可能受限于其物理站点的地理分布。因此，未来的研究需要进一步探索如何将数字工具与人工智能等新兴技术相结合，为不同类型的研究和人群量身定制更精准、更包容的招募策略。