《The Lancet Public Health》：Mobile intervention for emerging adults with regular cannabis use: a micro-randomized trial
编辑推荐：
背景
大麻使用在新兴成年人中较为普遍，规律性使用会增加相关问题风险；然而，寻求治疗者较少。研究采用微随机化试验（MRT），旨在检验一种个体化即时自适应干预（pJITAI），该干预由强化学习算法（RL）驱动，用于实时改进即时自适应干预（JITAI）。
方法
背景
大麻使用在新兴成年人中较为普遍，规律性使用会增加相关问题风险；然而，寻求治疗者较少。研究采用微随机化试验（MRT），旨在检验一种个体化即时自适应干预（pJITAI），该干预由强化学习算法（RL）驱动，用于实时改进即时自适应干预（JITAI）。
方法
将规律性使用大麻的新兴成年人（N = 122）纳入一项为期30天的微随机化试验（MRT），并完成1个月末测与2个月随访（即自MRT开始后；NCT05824754）。在MRT期间，参与者每日两次完成调查，随后每日两次接受微随机分配，决定是否发送干预信息或不发送信息（概率由强化学习算法（RL）确定）。主要结局为1个月时的可行性与可接受性；MRT结果检验了发送干预信息（相对于不发送）对近端干预参与度及大麻使用的影响（以下一个决策点为结局；意向性分析）。
结果
该应用具有可行性（89.1%，n = 122/137 完成下载；每日两次调查完成率为77.1%，5642/7320），且具有可接受性（80.4%，n = 90/112 对信息在关怀、支持、温暖与尊重方面给予积极评价）。在MRT分析中，发送信息（相对于不发送）提高了近端参与度（b = 0.044；95% 置信区间（CI）：0.018, 0.070），但未影响近端大麻使用（b = 0.008；95% CI：?0.003, 0.020）。研究还发现，平均参与度与2个月时的大麻使用天数之间存在具有临床意义的负相关（b = ?3.38；95% CI：?8.68, 1.91）。
解释
对于未接受治疗的新兴成年人而言，个体化即时自适应干预（pJITAI）显示出应用前景；信息推送可提高参与度，提示有必要进一步优化该干预。
资金支持
研究由美国国立卫生研究院（National Institute of Health）［P50DA054039；K23AA028232；T32AA007477；K23DA059484；P41EB028242］及 Brzoznowski 家族资助。
该文发表于《The Lancet Public Health》，聚焦于规律性大麻使用且未进入正式治疗体系的新兴成年人，回应了该人群大麻使用上升、相关健康后果加重而干预可及性不足的公共卫生问题。既往移动健康（mHealth）干预虽具有覆盖面广、成本较低的优势，但实际效果常受“参与不足”限制。为应对这一瓶颈，研究人员将即时自适应干预（JITAI）与强化学习（RL）算法结合，构建出个体化即时自适应干预（pJITAI）模型，使系统能够依据参与者在真实生活中的动态状态与既往响应模式，实时调整消息发送概率，从而在尽量减少干预负担与习惯化的同时，提高干预参与度与行为反应性。基于此，研究开展了MiWaves应用的概念验证，目标是初步检验该新型移动干预在规律性大麻使用新兴成年人中的可行性、可接受性及其对近端参与和大麻使用的影响。
目前这一领域存在几个关键问题。首先，多数大麻相关数字干预面向已进入治疗的人群，而大量实际存在风险的年轻使用者并未接受任何专业服务。其次，传统JITAI虽然已可根据时间变化信息进行调整，但其决策规则多在部署前预设，难以及时响应个体环境、动机与使用行为的快速变化。再次，数字干预常面临参与度下降、信息疲劳与任务负担问题，导致理论上有效的内容在现实场景中难以持续发挥作用。因此，研究人员开展本研究，试图验证一种可随个体反应不断修正决策规则的pJITAI，是否能在未治疗的新兴成年人中实现良好的实施表现，并为后续大规模优化试验提供依据。
研究人员从美国范围内通过社交媒体招募18–25岁的新兴成年人，纳入标准包括过去1个月每周使用大麻至少3次、拥有智能手机且对减少大麻使用具有任意程度的改变动机。符合条件者进入为期30天的微随机化试验（MRT）。MiWaves应用包含每日两次自我监测调查、个体化反馈图表、奖励卡、干预消息以及在线实时强化学习算法。每个参与者每日有两个个体化决策点，系统根据时段、既往mHealth参与情况和近期大麻使用等信息，决定是否发送干预消息，且消息发送概率在0.2–0.8之间动态更新。消息内容围绕情绪调节、替代性非大麻活动以及未来/目标导向思维与活动展开，并设置不同长度及不同任务负荷。研究主要考察可行性与可接受性，同时探索消息发送对近端mHealth参与和近端大麻使用的因果效应。
本研究的主要技术方法可概括如下：第一，采用微随机化试验（MRT），在30天内于每日两个决策点重复实施随机化，以评估时间变化干预对近端结局的因果效应；第二，构建个体化即时自适应干预（pJITAI），将强化学习（RL）算法嵌入MiWaves应用，使消息发送概率依据累积交互数据实时更新；第三，使用每日两次生态瞬时式自我报告监测（包括近12 h大麻使用、睡眠、情绪与应用参与），形成近端大麻使用与近端参与指标；第四，采用广义回归模型与MRTAnalysis程序包估计时间变化处理效应，并控制基线大麻使用、改变动机、时段、既往参与等协变量。样本来源为美国全国社交媒体招募队列。
研究结果
Enrollment and sample characteristics
研究共完成1871人筛查，907人符合资格，经核验、同意和基线评估后，最终122人下载应用并进入试验。样本平均年龄为21.7岁，具有一定性别与种族/族裔多样性。参与者基线大麻使用程度较高，过去1个月平均使用24.8天，且相当比例接近每日或每日多次使用。这一结果说明研究成功触及了高频使用、但尚未接受治疗的目标人群，为后续干预可行性评估奠定基础。
Feasibility
通过下载率、调查完成率、消息送达率及算法运行情况，研究证实MiWaves具有较高可行性。主要可行性指标显示，在已核验并同意参与者中，89.1%完成应用下载；30天内每日两次自我监测调查完成率为77.1%；99.6%的调查按时送达，99.2%的干预消息按计划发送。强化学习算法在94.8%的决策点成功参与消息发送概率计算。上述结果表明，该pJITAI在远程、真实世界环境中可稳定实施。
Acceptability
通过1个月末测中的主观评价与开放式反馈，研究显示该干预具有良好可接受性。80.4%的参与者认为消息与通知体现了关怀、支持、温暖与尊重；79.5%的参与者表示至少部分活动或思维练习在研究结束后仍可继续使用。定性反馈中，参与者较多提及消息有帮助、应用易于使用、提醒机制有效，也指出技术故障、部分消息内容较泛化、打卡时间窗口较短等问题。由此可见，MiWaves在总体可接受的同时，也暴露出后续优化的具体方向。
Changes in motivation to change and cannabis use from baseline to 1- and 2-months
通过比较基线、1个月末测和2个月随访数据，研究发现过去1个月大麻使用天数下降，而改变动机未同步增强。具体而言，大麻使用天数在1个月与2个月时均较基线减少；但每日使用次数与每日使用时长未见明显变化。改变动机在1个月时无明显变化，在2个月时反而下降。该结果提示，干预后与时间推移相关的大麻使用频率下降主要体现在“使用日数”层面，而非使用强度层面。
Correlation between engagement in mHealth and cannabis use at 1- and 2-months
通过线性回归并校正基线大麻使用天数，研究发现30天内平均mHealth参与度与2个月随访时大麻使用天数呈具有临床意义的负相关，但在1个月末测未见相同趋势。具体而言，平均参与度每增加1个单位，2个月随访时大麻使用天数减少3.38天。这一发现表明，更高的数字干预参与可能与后续较少的大麻使用相关，支持“参与度”作为关键中介结局的重要性。
MRT effects of intervention messages on proximal outcomes
通过MRT因果效应分析，研究发现发送消息可提升近端mHealth参与，但对近端大麻使用无显著影响。与不发送相比，发送干预消息使当前至下一个微随机化之间的参与评分提高。进一步调节分析显示，该效应在早晨更明显，晚间则减弱；低任务负荷消息（如仅确认收到）较高任务负荷消息（如点击外部资源、输入文字回应）更能促进近端参与；短消息与长消息均可提高参与，二者之间无明显差异。相反，发送消息对近端大麻使用比例未见总体效应。仅在基线减少使用动机较低者中观察到一个探索性结果：发送消息可能与更高近端大麻使用相关，但作者明确提示对此应谨慎解释，因为其他探索性检验大多为阴性。
Discussion
讨论部分强调，本研究以概念验证方式填补了未治疗规律性大麻使用新兴成年人pJITAI干预的证据空白。结果显示，MiWaves不仅能够在真实世界环境下实现较高的实施成功率和用户接受度，而且消息推送可因果性地提高近端mHealth参与，这对于数字行为干预尤为关键。研究还提示，早晨发送、低负荷任务设计可能更有利于促进参与。尽管消息推送尚未直接降低近端大麻使用，但更高参与度与2个月时更少的大麻使用天数相关，说明该路径具有潜在临床价值。作者同时指出，现阶段对近端大麻使用的测量仍面临产品类型多样、效价差异和给药途径复杂等方法学挑战，未来应发展更精细的日内测量与被动数据采集方式。研究还提出，后续应在完全有统计效能的优化试验中，进一步检验如何将人际支持、更多个体化特征及其他mHealth功能整合进pJITAI，以提升干预效益与可扩展性。研究局限包括样本量有限、社交媒体招募导致的外推性受限、部分可接受性测量条目结构不够理想，以及补偿机制对现实推广可持续性的限制。
研究结论翻译如下：研究结果表明，这一以风险降低为导向、利用个体化即时自适应干预（pJITAI）的创新型移动健康（mHealth）干预，对于规律性大麻使用且未接受治疗的新兴成年人而言，具有可行性和可接受性；而这一人群通常不太可能参与专科物质使用治疗。值得注意的是，本研究首次证明，针对大麻使用的mHealth干预可以应用强化学习（RL）算法，在个体与干预交互过程中实时优化移动消息发送的决策规则。结果提示，消息发送能够显著提高近端mHealth参与度，这是一项对正式治疗体系外可扩展数字干预具有临床重要性的中间结局；同时，参与度与大麻使用减少相关。综上，这些发现凸显了利用pJITAI的mHealth干预在满足那些可能长期脱离传统物质使用服务的年轻成年人需求方面具有前景。下一步需要开展具有充分统计效能的试验，以优化该mHealth干预，并确定整合人工支持和/或额外个体化mHealth功能能否进一步改善规律性大麻使用新兴成年人的健康轨迹。
