炎症性关节炎患者数字健康应用依从性的真实世界预测因素：基于2036例患者的回顾性分析

《Rheumatology International》：Predictors of adherence to a digital health application in patients with inflammatory arthritis: retrospective analysis

【编者推荐】为破解炎症性关节炎患者对数字健康应用（DHA）长期依从性不佳的难题，研究人员开展了一项针对2036例患者的真实世界回顾性研究。通过随机森林模型分析发现，高龄（峰值63-69岁）、长病程（>3000天）及中重度症状（PGADA/PPAIN呈倒U型关联）是12周依从性的关键预测因素。该研究为制定分层干预策略提供了精准靶点，对提升风湿病数字健康干预实效性具有重要意义。

　　

在数字医疗浪潮席卷全球的今天，风湿免疫性疾病患者迎来了新的管理工具——数字健康应用（Digital Health Applications, DHA）。这类移动应用程序能够帮助炎症性关节炎（Inflammatory Arthritis, IA）患者监测症状、记录健康数据、获取个性化建议，从而在诊间期更好地管理疾病。然而，一个棘手的现实问题逐渐浮现：患者对这些数字工具的热情往往如昙花一现，初始使用率虽高，却在4-8周内急剧下滑。这种“三分钟热度”现象严重制约了数字健康应用的长期有效性，也对其成本效益提出了质疑。

究竟哪些患者能够坚持使用这些数字健康工具？为什么有些患者能够形成长期使用习惯，而另一些则很快放弃？解答这些问题对于开发更具吸引力和持久效用的数字健康干预策略至关重要。以往研究多局限于临床试验环境，对真实世界中大规模患者群体的使用模式了解有限。正是在这样的背景下，由Dmytro Fedkov领衔的研究团队开展了一项突破性研究，成果发表在《Rheumatology International》期刊上。

为了深入探究这一问题，研究人员进行了一项大规模回顾性观察研究，分析了2022年至2024年间使用CE认证的Mida Rheuma应用的2036例炎症性关节炎患者的真实世界数据。研究主要关注12周时患者自我报告体重录入这一客观指标作为依从性标志，并通过随机森林（Random Forest）分类器评估了六项预测因素的重要性。研究团队采用重复分层5×2交叉验证方法，以受试者工作特征曲线下面积（ROC AUC）评估模型性能。

研究的关键方法包括：利用CE认证的Mida Rheuma应用收集2036例炎症性关节炎（包括类风湿关节炎、脊柱关节炎和银屑病关节炎）患者的真实世界数据；以12周时体重录入作为主要依从性指标，并辅以其他应用互动指标进行验证；采用随机森林分类器（400棵树，类别权重平衡，每叶最小样本数=5）分析六个预测因素（年龄、性别、诊断时间、基线体重、患者疾病活动总体评估PGADA和疼痛强度评估PPAIN）；通过重复分层5折交叉验证（2次重复）评估模型性能，并利用置换重要性和SHAP值进行模型解释。

研究结果

患者特征与依从率

在2036例患者中，仅有526例（25.8%）在12周时录入了体重数据，被归类为依从者。患者平均年龄为49.3±13.6岁，女性占77.8%。依从组患者的平均疾病持续时间显著长于非依从组（3629.5±3299.9天 vs 2890.1±3513.1天，p<0.001），基线体重也显著更高（78.9±17.6 kg vs 76.7±17.8 kg，p=0.006）。患者报告结局（PGADA和PPAIN）在两组间也存在小而显著的差异。

预测因素的重要性排序

随机森林模型显示，疾病持续时间是12周依从性的最重要预测因素，占总变量重要性的21.3%。基线体重和年龄分别贡献了20.5%和20.1%的预测信息。症状相关变量中，PPAIN和PGADA的重要性相当（17.0%和13.8%），而性别的影响最小（7.3%）。置换重要性和SHAP分析结果与这一排序一致，证实了疾病持续时间、基线体重和年龄的核心预测地位。

依从率的非线性模式

研究发现各预测因素与依从率之间存在显著非线性关系。疾病持续时间方面，依从率随病程延长而逐步上升，在3001-3500天组达到峰值45.2%，而新诊断患者（0-500天）依从率最低（10.9%）。年龄方面，依从率随年龄增长稳步上升，在62-89岁组达到峰值43.4%，最年轻组（18-28岁）依从率最低（15.5%）。

症状负担呈现独特的“倒U型”关系：PGADA评分在35-40范围时依从率最高（39.3%），而在极高（95-100）和极低症状水平时依从率下降。PPAIN也显示类似模式，在10-15范围达到峰值依从率（39.3%），在最高疼痛水平（95-100）降至16.7%。体重与依从率呈轻度非线性关联，在81-86公斤组达到最高依从率（31.0%）。

模型性能

最终随机森林模型的ROC AUC为0.627（95% CI，0.600-0.654），表明具有中等但信息丰富的判别能力。在概率阈值0.50时，敏感性为0.131，特异性为0.938，F1分数0.200，平衡准确度0.534；在Youden指数对应阈值（约0.26）时，敏感性为0.627，特异性为0.580，F1分数0.443，平衡准确度0.604。

研究结论与意义

这项研究揭示了炎症性关节炎患者对数字健康应用依从性的复杂预测模式。研究结果表明，高龄、长病程（超过3000天）和中重度症状负担是维持12周应用依从性的关键因素。这些发现为制定分层数字健康干预策略提供了重要依据。

对于临床实践，本研究提示数字健康应用的实施需要针对性策略：对年轻、新诊断或症状极端的患者群体，应提供更强化的入门指导和个性化支持；而对老年、长病程患者，则可利用其固有的依从性优势，进一步优化数字健康工具的效果。症状负担与依从性的倒U型关系特别值得关注，表明中度症状可能是患者感知数字工具价值的最佳“窗口期”。

研究的现实意义在于，它为风湿病数字健康领域的精准实施提供了实证基础。通过识别高依从性患者特征，医疗提供者可以更有效地分配资源，优化数字健康应用的投入产出比。同时，对低依从风险群体的早期识别，使得预防性支持措施成为可能。

然而，研究者也承认模型的判别性能仅为中等水平，反映出真实世界依从性影响因素的复杂性。这提示未来研究需要整合更多行为、心理和社会经济因素，以及更丰富的数字互动数据（如使用频率、会话时长、通知响应等），才能构建更精准的预测模型。

本研究作为风湿病领域最大规模的数字健康应用依从性真实世界研究，为该领域的后续研究奠定了重要方法论基础。其采用的透明报告标准（TRIPOD）、多种模型验证策略以及模型可解释性技术，为未来真实世界数字健康研究提供了宝贵参考。随着数字健康应用在风湿病管理中的日益普及，这类研究对实现真正个性化、可持续的数字健康干预至关重要。