失眠网络认知行为疗法（iCBT-I）中的脱落现象研究：患病率、自我报告原因及预测因素分析

本研究聚焦互联网失眠认知行为疗法（iCBT-I）中的高脱落现象，通过二次分析233名患者数据，发现44.2%的患者未完成治疗。主要脱落原因包括日常生活干扰、内容感知无效及中断后难以继续。基线变量无法预测脱落，但首模块完成时间（OR=1.16）和首周睡眠日记记录数（OR=0.73）显著预测脱落风险，为早期干预提供数据支持。

　　

在数字化医疗迅猛发展的今天，互联网提供的失眠认知行为疗法（Internet-delivered Cognitive Behavioral Therapy for Insomnia, iCBT-I）已成为失眠障碍的一线治疗方案。相比传统面对面治疗，iCBT-I具有可及性高、成本较低、隐私性好等优势，并被欧洲失眠指南列为A级推荐疗法。然而，与许多数字健康干预一样，iCBT-I面临着一个普遍而严峻的挑战——患者中途退出治疗，即“脱落”（dropout）。研究表明，iCBT-I的脱落率在不同研究中差异很大，从5%到超过50%不等，平均约为36%，显著高于面对面心理治疗的脱落率（约20%）。过高的脱落率不仅导致患者无法充分接触核心治疗内容，影响治疗效果，还可能打击其未来寻求帮助的积极性。因此，深入探究iCBT-I中的脱落现象，识别其背后的原因及预测因素，对于提高治疗完成率、优化干预策略、最终提升患者健康结局具有至关重要的意义。

为系统探究此问题，由Laura Simon、Lisa Steinmetz等人组成的研究团队在《International Journal of Clinical and Health Psychology》上发表了一项研究，对一项名为“GET Sleep”的阶梯式护理整群随机试验进行了探索性二次分析。该研究旨在回答四个核心问题：不同指导强度（全程指导、按需指导、基本指导）的iCBT-I干预组的完成率如何？患者自我报告的脱落原因有哪些？基线变量（如人口学特征、失眠严重程度、共病症状）能否预测脱落？早期干预数据（如首个模块完成时间、首周睡眠日记）能否预测脱落？

本研究主要采用了临床流行病学调查和预测模型构建的方法。数据来源于GET Sleep试验中实际启动了iCBT-I的233名患者。研究者被动收集了平台记录的模块完成时间，将12周内完成少于7个模块（<80%）的患者定义为脱落者。通过专门设计的脱落问卷和常规随访问卷（Likert量表和多项选择题）收集患者自我报告的脱落原因。基线变量通过一系列经过验证的量表获取，包括失眠严重指数量表（ISI）、快速抑郁症状自评量表（QIDS-SR16）、广泛性焦虑障碍量表（GAD-7）等。干预数据则包括平台自动记录的首个模块完成时间、患者计划的下次模块开始时间，以及患者主动填写的首周睡眠日记数据（计算了总睡眠时间、卧床时间、睡眠效率、入睡后觉醒时间等指标）。统计分析采用了Fisher精确检验比较组间完成率，并构建了双变量逻辑回归模型来探索各变量与脱落的关联（以比值比OR和95%置信区间CI表示）。

研究结果

1. iCBT-I完成率

在所有启动治疗的233名患者中，130人（55.8%）在12周内完成了至少7个模块，被归类为完成者；103人（44.2%）被归类为脱落者。描述性数据显示，指导强度最高的“全程指导组”完成率最高（60.8%），其次是“基本指导组”（53.1%）和“按需指导组”（43.4%），但组间差异的Fisher精确检验未达到统计学显著性（p = 0.09）。如果不设12周的时间限制，则有61.8%的患者最终完成了全部8个模块。模块完成率随着模块进阶而逐渐下降。

2. 自我报告的脱落原因

共有38名（36.9%）脱落者响应了脱落调查。 distractions from daily life（日常生活干扰）是最高频的原因，65.4%的受访者表示同意或完全同意。其次是“中断后难以重新开始iCBT-I”（46.4%）和“认为iCBT-I对改善睡眠无效”（43.5%）。其他常见原因包括缺乏时间（41.7%）、治疗过于非人性化（39.3%）等。在随访调查中，职业职责（40.5%）、认为内容无用（32.4%）和缺乏动机（29.7%）是最常被提及的原因。值得注意的是，有8-10%的患者表示因“症状已充分改善”而停止治疗。

3. 基线变量对脱落的预测

研究者检验了包括人口学特征、失眠严重程度（ISI）、抑郁（QIDS-SR16）、焦虑（GAD-7）、躯体症状（SSS-8）、睡眠相关信念（DBAS-10）、睡前唤醒（PSAS）和感知压力（PSS）在内的多个基线变量。双变量分析结果显示，所有这些基线变量的OR值的95%置信区间均包含1.0，表明没有任何一个基线变量能够显著预测治疗脱落。

4. 干预数据对脱落的预测

与基线变量相反，早期干预数据显示出强大的预测能力。完成首个模块所需的时间（OR = 1.16; 95% CI: 1.08–1.27）是一个显著的风险因素，意味着每多花一天完成首模块，脱落 odds 增加16%。另一方面，首周睡眠日记的完成数量（OR = 0.73; 95% CI: 0.65–0.80）是一个保护性因素，每多完成一篇日记，脱落 odds 降低27%。然而，根据日记计算出的睡眠参数本身（如总睡眠时间、睡眠效率等）并不能预测脱落。患者计划的下一模块开始时间也与脱落无关。

结论与意义

本研究证实，脱落是iCBT-I中一个普遍且严重的问题，影响着超过40%的患者。尽管提供更密集的人工指导（e-coaching）在描述性数据上显示出更高的完成率，但三种指导模式间的差异在此次分析中未达统计学显著性，提示其效果仍需更大样本的研究来验证。尤为重要的是，研究发现，患者在治疗初期行为（如投入治疗的速度和记录睡眠的依从性）是预测远期脱落的强有力指标，而传统的基线临床特征则缺乏预测效力。

其重要意义在于：首先，它揭示了治疗初期的行为数据远比入组时的静态特征更能反映患者的脱落风险。这为开发“早期预警系统”提供了坚实依据，临床工作者或平台系统可以在治疗的第一周后就识别出高风险患者，并及时采取干预措施，例如增加提醒、提供额外支持或进行动机性访谈，以防止其脱落。其次，研究明确了患者自我报告的主要障碍是日常生活干扰、中断后难以继续以及对疗效的怀疑。这提示未来的iCBT-I项目需要在设计上更具灵活性，并能有效管理患者预期，明确告知治疗所需的时间和精力投入，以及可能出现的短期不适。对于中断治疗的患者，系统应设有专门的“重新融入”协议或支持。最后，按需指导（Guidance-on-demand）组的高脱落率表明，单纯提供被动的支持渠道可能不足，未来的支持模式可能需要更主动一些，例如在检测到患者长时间不活动后，由教练主动发起关怀性联系。

总之，该研究为理解和应对数字健康干预中的脱落挑战提供了宝贵的实证证据和清晰的行动方向。通过利用早期行为数据进行预测，并针对已识别的关键障碍优化干预设计和支持策略，有望显著提高iCBT-I的留存率和整体疗效，让更多失眠患者能从这项有效的治疗中真正获益。未来研究应致力于在真实世界场景中验证这些预测因子，并开发、测试基于这些预测因子的个性化干预策略。