《Australasian Journal on Ageing》：Digital Health Interventions to Improve Medication Adherence Among Older Adults: A Systematic Review
目的：审查数字健康干预（DHIs）对老年人药物依从性的类型、特征和效果的证据。方法：研究人员在PubMed、Embase、CINAHL、Scopus和Web of Science中检索了从建库至2025年5月的文献。纳入随机和非随机研究，其条件包括：涉及65岁或以上老年人；应用任何数字健康干预（DHIs）；将干预与对照组或基线进行比较；以及报告药物依从性作为结局。使用Cochrane偏倚风险工具评估偏倚风险，使用GRADE（Grading of Recommendations, Assessment, Development and Evaluation）评估证据确定性。进行了叙述性综合。结果：共纳入35篇文章，其中大多数为随机对照试验（RCTs）（n=22）。偏倚风险从低到高不等，确定性从极低到中等。近一半的研究（n=17）报告DHIs改善了药物依从性，相较于对照组或基线。移动应用程序（3/5）、电子提醒（3/3）、社交辅助机器人（1/1）、远程护理（1/1）和联合DHIs（2/2）显示出最大潜力。使用多种功能或策略支持行为改变（提醒或提示）的干预最有可能改善依从性。其他DHIs结果不一或无明显效果。结论：尽管不同DHIs的研究结果各异，但包含个性化提醒、多组分特征和交互性的干预可能具有改善老年人药物依从性的更大潜力。需要进一步研究以识别使用模式并调查效果差异背后的因素。
1 引言（Introduction）
全球人口老龄化加剧，65岁及以上人口比例持续上升，预计2030年将达到14亿。老龄化伴随慢性病和合并症的急剧增加，导致多重用药普遍，约半数老年人服用5种或以上药物，约10%服用10种或以上。这些药物旨在降低疾病进展、合并症和死亡率的风险，但只有在患者依从治疗时才能实现。药物依从性是疾病管理和治疗结果的关键组成部分，定义为“患者遵循医疗保健提供者指导的用药方案的程度”。尽管其重要性显著，但老年人中药物依从性不佳普遍存在，范围为26%至59%。影响因素包括患者、治疗和社会因素。依从性差会恶化患者结局、加速疾病进展、增加住院率和医疗成本。这些挑战凸显了创新、循证和针对性策略的必要性。数字健康干预（DHIs）已成为支持药物依从性的有前景工具，涵盖移动健康（mHealth）、远程医疗、可穿戴设备和其他数字平台。它们从简单方法到更综合、集成的策略，可利用自动化和人工智能。DHIs提供教育、行为咨询、提醒系统或其组合，同时促进患者参与、自我监测和与医疗保健提供者及/或护理人员的沟通。因此，DHIs适合解决药物服用行为的复杂多面性，而这通常被传统策略所忽视。许多系统评价已审查DHIs在改善药物依从性方面的有效性，但证据不一，且大多数聚焦于特定长期疾病或特定类型DHIs。在针对老年人的研究中，证据以叙述性而非系统性方式综合。迄今缺乏专门针对老年人的强有力结论性证据。来自更广泛人群的证据可能不适用于该群体，因为其需求受合并症、多重用药和年龄相关障碍的影响。因此，本系统评价旨在审查旨在支持老年人药物依从性的DHIs的类型、特征和效果的证据。
2 方法（Methods）
2.1 方案与注册（Protocol and Registration）
本系统评价遵循PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）指南，并在PROSPERO（国际前瞻性系统评价注册库）注册（注册号CRD420251065096）。
2.2 检索策略与筛选过程（Search Strategy and Selection Process）
检索了五个电子数据库：PubMed、Embase、CINAHL、Scopus和Web of Science，从建库至2025年5月14日。检索词涵盖三个概念：“老年人”、“数字健康干预”和“药物依从性”，使用关键词、同义词、MeSH术语、Emtree和CINAHL主题词，结合布尔运算符（文件S1）。此外，手动检索了相关文章和综述的参考文献列表。仅纳入经过同行评审的英文原创文章。引文导入Covidence系统评价软件（Veritas Health Innovation，墨尔本，澳大利亚）；去除重复后，筛选分两阶段进行。两名评审员独立筛选标题和摘要，随后筛选全文，分歧通过讨论解决。
2.3 纳入标准（Eligibility Criteria）
根据PICO（Population, Intervention, Comparison and Outcome）框架纳入研究：人群：65岁或以上老年人，或混合年龄研究中可单独提取老年人数据。干预：通过信息和通信技术提供的旨在改善药物依从性的DHIs。对照：常规护理、标准护理、其他主动干预或前后评估。结局：药物依从性。研究设计：随机对照试验（RCTs）、准实验研究、观察性研究、试点研究或纵向研究。排除标准：仅包含65岁以下成人或年龄标准不明确的研究；数字健康非核心干预或仅起支持作用的研究；无对照组的研究；研究方案、会议摘要、观点文章、社论、评论或综述。
2.4 数据提取（Data Extraction）
使用Covidence进行数据提取。开发数据提取模板，经三位研究人员审查，并由两名评审员进行试点测试。随后，两名评审员独立提取每篇文章的数据，并通过讨论达成共识。提取信息包括：研究详情、方法学特征、参与者特征、干预类型、描述和持续时间、依从性测量方法、对应阈值或切点以及药物依从性结局。依从性结局按研究报告提取，包括干预后相对于基线的变化以及干预组与对照组之间的差异。对于有多个依从性测量、时间点或分析的研究，提取并报告所有结果。
2.5 偏倚风险（RoB）评估（Risk of Bias (RoB) Assessment）
使用Cochrane偏倚风险工具评估方法学质量：对RCTs使用RoB 2工具（包括整群随机试验版本），对非随机研究使用ROBINS-I（版本2）。两名评审员独立评估每项研究，分歧通过讨论解决。使用Cochrane RoB 2 Excel工具评估RCTs，使用基于先前研究的修改Excel工具进行ROBINS-I评估。使用robvis Shiny App生成偏倚评估的图示（交通图）。
2.6 确定性评估（Certainty Assessment）
使用GRADE（Grading of Recommendations, Assessment, Development and Evaluation）方法评估总体证据确定性，分为高、中、低和极低。一名评审员初始分别对RCTs和观察性研究进行GRADE评估，随后由三位研究人员独立审查评级。
2.7 数据综合（Data Synthesis）
使用描述性统计总结定量数据，结果以表格和图形呈现以便比较。提取效应量（比值比、风险比、风险比、均值差、Cohen's d和回归系数）。对于未明确报告效应量的研究，提取比较统计量如均值和标准差（SD）、中位数和四分位距（IQR）（含或不含p值或置信区间（CI））、卡方统计量、t检验结果和F统计量，用于评估组间差异或关联。进行叙述性综合以定性总结发现并突出DHIs对药物依从性效果的差异。干预分为联合DHIs（包含两种或以上类型）和DHIs与非DHIs联合（与非数字方法整合）。此外，使用Lowe的消费者药物使用干预分类法对每项研究的策略（功能）进行分类。
3 结果（Results）
3.1 检索结果（Search Results）
数据库检索共获得11,993篇文章。去除重复并进行标题和摘要筛选后，417篇文章进入全文筛选，34篇符合纳入标准。通过手动检索额外识别1篇文章，最终纳入35篇研究（图1）。
3.2 研究特征（Study Characteristics）
纳入研究发表于1999年至2024年，其中13篇发表于最近5年。大多数研究在美国进行（n=15），其次为欧洲国家（n=9）。超过半数为RCTs（n=22），8项研究采用准实验设计。共纳入21,453名参与者（34项研究），另有一项研究分析了38,041份处方。22项研究报告了性别，其中女性占55%（n=4200），男性占45%（n=3465）。干预随访持续时间从1周至60个月不等，最常见为12个月（n=11）和6个月（n=5）（表1）。
3.3 药物依从性测量（Medication Adherence Measures）
35项研究中，近半数（n=18）使用客观药物依从性测量，如药物覆盖天数比例（PDC）、药片计数、药物持有率（MPR）、药物事件监测系统（MEMS）、处方放弃、补药模式、停药和药物持续使用。其余研究（n=17）使用标准化自评问卷报告主观测量，如Morisky用药依从性量表（MMAS 4项或8项）、药物依从性评定量表（MARS）、药物依从性行为量表（MABS中文版）、口服化疗依从性量表（OCAS）、自我给药率（SAMR）和高血压依从性评估量表（HCAS）。非标准化自评测量包括患者对规定治疗方案的依从性、药物延迟和忘记服药、动机问卷等。一项研究结合了客观和主观药物依从性测量。
3.4 DHIs的特征及其对药物依从性的影响（Characteristics of DHIs and Effects on Medication Adherence）
实施多种DHIs以改善老年人药物依从性。大多数研究（n=10）采用电话干预（直接交互式电话或自动电话，如交互式语音应答系统（IVR）），其次为五项研究使用移动或平板应用程序。三项研究使用短信或电子设备，两项分别探索远程监测和基于网络的应用。两项研究联合DHIs，四项将DHIs与非数字方法整合（如咨询、培训和邮寄信息）。此外，分别有一项研究采用远程医疗、远程药房、远程护理和社交辅助机器人（图2）。在纳入研究中，27项报告了效应量或检验了统计显著性以评估DHIs对药物依从性的影响，8项仅描述性报告结果。
3.4.1 DHIs类型及其对药物依从性的影响（Types of DHIs and Effects on Medication Adherence）
3.4.1.1 移动/平板应用程序（Mobile/Tablet Apps）
五项研究实施移动应用程序改善药物依从性。DigiAdherence提供个性化视频教育；另一个应用程序提供推送警报和生命体征提示，可选择与医生共享数据。两项研究采用交互模式：一项使用药剂师主持的微信教育和提醒信息，另一项使用药剂师主导、家庭介导的教育通过移动应用程序传递。另一项名为ALICE的药物自我管理应用程序侧重于提醒和药物信息。三项试验报告了显著改善：ALICE应用程序导致MMAS-4得分高于对照组（MD: 0.7; p<0.001）；Yoon等人（2024）报告6个月时应用程序组达到充分依从性（≥95%）的参与者比例高于标准护理组（81% vs. 59%; p=0.001）；Poonprapai等人记录了干预组在3个月（MD 1.41; 95% CI: 0.72, 2.09, p=0.001）、6个月（MD 2.27; 95% CI: 1.57, 2.96, p<0.001）和9个月（MD 2.94; 95% CI: 1.96, 3.91, p<0.001）时相较于常规护理的渐进性改善。相反，个性化视频应用程序和药剂师主持的社交媒体应用程序未观察到显著效果。
3.4.1.2 电子设备（Electronic Devices）
三项研究评估了电子设备支持老年人药物依从性。两项研究使用基于时间的视听提醒，包括自动药丸分配器提供正确剂量和个人响应单元药物提醒。第三项研究评估了情境感知提醒，在剂量到期、未服用且仍可安全服用时触发，并与基于时间的提醒和无提醒进行比较。情境感知提示优于固定时间提醒和无提醒（χ2=17.0; p<0.001）。个人响应单元提醒将依从性从52%提高到81%（p=0.01）。自动药丸分配器增加了1个月和3个月时达到自我给药率>80%的患者比例，相较于基线。
3.4.1.3 短信/短信服务（Text Messages/SMS）
三项研究采用短信作为DHIs，向参与者发送服药提醒。两项研究每日发送短信提醒，一项研究按指定间隔发送。结果不一。一项研究报告短信组12个月PDC高于常规护理组（91% vs. 73%; p=0.01）。其他研究发现无显著组间差异：例如Huang等人（2017）中药物延迟（RR=0.60; 95% CI: 0.31–1.14; p>0.05）或漏服剂量（1.28; 0.28–5.78, p>0.05）；Chen等人中两名老年人数据显示从基线到干预后长效注射剂依从性略有下降（88%至83%）。
3.4.1.4 电话干预（Telephone-Based Interventions）
十项研究检查了电话DHIs，多数涉及交互式电话（n=7）。三项研究使用动机性访谈，由药剂师、药学学生或护士进行，以解决依从性障碍并强化行为。三项研究提供电话咨询：（i）药剂师主导的药物治疗管理（MTM）基于电子病历（EMR）审查；（ii）护士随访解决药物问题；（iii）护士提供关于补药和副作用的咨询。三项研究使用提醒/提示电话（一项通过视频电话/电话交互，两项自动IVR）。Gunderson等人比较了自动电话（ATC）与自动短信（ATM）和无干预对处方取药的影响。电话干预证据不一。动机性访谈方法显示一定益处：Abughosh等人报告了电话接收者PDC高于非接收者（0.67 vs. 0.56; p<0.001）；Mohan等人观察到6个月时无效（OR 1.31; 95% CI 0.94–1.83, p=0.10）但12个月时显著改善（OR 1.46; 95% CI 1.15–2.04, p=0.02）；Solomon等人发现动机性访谈电话与信息邮寄之间在MRP上无总体差异（49% vs. 41%, p=0.07），尽管65–74岁参与者受益（48% vs. 31%, p=0.045）；Fulmer等人报告电话和视频电话提醒组相较于常规护理从基线到干预后显著改善（F[2.34]=4.08, p<0.05）。相反，简单或自动电话方法效果较差：Qvist等人发现6个月时复合PDC无显著差异；Biese等人报告各组处方填写率相似；Moczygemba等人发现干预后MRP无差异。自动电话影响最小：Gunderson等人报告自动电话处方放弃率略低（2.1%），相较于自动短信（2.5%）和无干预（2.3%）；Castle等人使用IVR系统未产生有意义效果；另一项研究比较自动电话与个性化信息，报告依从性较低。
3.4.1.5 基于网络的应用（Web-Based Applications）
两项研究实施网络应用：CONNECT研究将应用集成到电子健康记录（EHR）中，提供个性化生活方式和药物依从性建议、监测和提醒等服务；另一项研究中，爱荷华个人健康记录（PHR）允许用户跟踪当前和过去的药物及健康事件。两项研究均未发现与常规护理相比有显著差异。CONNECT中，网络组>80%天数覆盖的患者比例为34%，常规护理组为32%。爱荷华PHR研究中，修改后的Morisky药物依从性得分在两组间相似（18.1±1.9 vs. 13.9±1.9; p=0.98）。
3.4.1.6 远程监测、远程医疗、远程护理和远程药房（Telemonitoring, Telemedicine, Telenursing and Telepharmacy）
两项研究评估远程监测。Antonicelli等人研究中，专业心脏衰竭团队通过每周电话联系提供家庭远程监测，收集健康和药物相关信息并调整治疗。另一项研究中，护士主导的远程监测涉及通过智能手机持续监测生命体征和症状。远程护理研究中，使用WhatsApp和电话进行健康教育。远程药房研究中，临床药师基于动机性访谈原则提供个性化电话咨询，以识别药物依从性和疾病控制障碍并制定改善策略。专家主导的家庭远程监测改善了药物依从性，相较于标准护理（26 vs. 10, p<0.03）。相反，护士主导的持续远程监测在随访时未发现依从性显著差异（3个月: β=0.64, SE=0.42, p=0.13; 6个月: β=?0.08, SE=0.28, p=0.77）。远程护理教育与常规护理相比，依从性得分显著更高（F=37.09, p<0.001）。远程药房产生了统计显著但较小的平均PDC改善，相较于常规护理（调整后绝对差（95% CI）: 4 (1.5–6.4)）。
3.4.1.7 机器人（Robots）
Lee等人研究中，名为Hyodol的社交辅助机器人嵌入传感器和人工智能，用于支持日常生活和健康需求，包括药物提醒、认知刺激和情感陪伴。社交辅助机器人从基线到干预后显著改变了MARS得分（t(?0.51), df(29), p<0.001, Cohen's d=0.82）。
3.4.1.8 联合DHIs（Combined DHIs）
两项研究联合了DHIs。Kim将护士主导的电话辅导与长消息服务配对用于健康辅导，并将该联合干预与每种单独模式及常规护理进行比较。Huddleston等人将家庭对话盒（Health Buddy）与基于网络的风险管理应用整合，通过提出一系列健康问题并利用其回应监测健康和识别风险个体。联合模式显示出前景。Huddleston等人报告使用自动电话和网络平台后依从性从基线64%上升至干预后90%。Kim发现护士电话辅导加长消息服务在干预后MMAS上高于单独干预和常规护理（F=16.21; p<0.001）。
3.4.1.9 DHIs与非DHIs联合（DHIs Combined With Non-DHIs）
四项研究将DHIs与非数字方法整合。Solmaz等人（2024）的多组分研究中，有两个实验组：一个结合面对面培训与电话咨询，另一个添加药物腕部提醒，均与无干预比较。Martini等人将电子设备（药盒，带声音和LED提醒，随后若漏服则发送短信）与咨询整合，并与单独咨询和对照组比较。Ivers等人评估了自动电话与邮寄手册配对，相较于单独邮寄和常规护理。Kooy等人检查了电子提醒设备（ERD）与药剂师咨询，并与单独ERD和常规护理比较。Solmaz等人报告两个实验组在抗高血压药物依从性上显著优于无干预组。Martini等人发现电子药盒加咨询组（100%）和仅咨询组（88%）依从性高，常规护理组相对较低（90%）。相反，Kooy等人报告ERD加咨询、单独ERD和常规护理之间在药物依从性上无显著差异。Ivers等人观察到邮寄加自动电话与单独邮寄之间在复合PDC≥80%上无差异（0.99(0.75–1.30), p=0.95）。
3.5 干预策略（Intervention Strategies）
根据Lowe分类法，多数研究（n=14）结合两种或以上功能，常见为告知和教育与支持行为改变策略（提醒）相结合（n=8）。其他组合策略包括最小化伤害和教授技能（n=2）、告知、教育和提供支持（n=1）、支持和促进沟通与共享决策（n=2）、以及支持行为改变和提供支持（n=1）。在单一策略干预中，多数针对支持行为改变，主要使用提醒系统（n=10）。五项聚焦于信息和教育传递，四项旨在通过协助、鼓励和监测支持老年人，各有一项研究针对医疗质量改进和教授技能以增强药物依从性。关于干预策略的有效性，支持行为改变（特别是通过提醒和提示）的DHIs（6/10）显示出最一致的改善，其次是联合或多方法策略（8/14）。而仅教育策略效果有限（0/5）。
3.6 偏倚风险评估（Risk of Bias Assessment）
使用Cochrane RoB 2评估的21项平行RCTs中，三项被评为低偏倚风险，10项存在一些担忧，八项被评为高偏倚风险。许多研究未描述分配隐藏或缺乏预先指定的统计分析计划。六项研究因自评药物依从性测量结合参与者及/或结局评估者非盲法而被评为高风险。一项整群RCT（Choudhry等人）因整群分配后识别和招募参与者而具有高偏倚风险。13项非随机研究中，九项被判断为严重偏倚风险，三项中等风险，一项关键风险。主要担忧是缺乏报告控制混杂的措施或尝试（n=11）。
3.7 证据确定性（Certainty of Evidence）
基于GRADE评估，纳入研究的证据确定性从极低到中等。RCTs证据确定性为中等（因偏倚风险降级），观察性研究为极低（因偏倚风险降级）。
4 讨论（Discussion）
本评价审查了DHIs如何影响老年人药物依从性。各种DHIs作为独立工具、与其他数字工具联合或与非数字方法整合使用，采用不同策略支持药物依从性。总体而言，本评价提示DHIs在增强老年人药物依从性方面具有相当前景。约半数研究报告了积极效果，特别是涉及移动应用程序、电子设备、联合DHIs、远程护理、远程药房和社交辅助机器人的研究，一致显示有益结局。然而，结果不一；15项研究未发现显著差异，一项报告混合结果，两项倾向于非DHI或对照组。这些混合结果可能部分归因于干预类型、依从性测量、研究设计和对照组的差异。此外，技术接受度、采用、持续参与以及老年人使用技术辅助服务的能力等问题，受性别、社会经济地位、教育、居住地和健康状况等因素影响，也可能通过创建独特的数字包容和排斥模式影响有效性。证据显示干预效果与其主要功能相关的清晰模式。仅通过DHIs提供药物信息或健康教育似乎不足以改善老年人药物依从性。相反，通过提醒支持行为改变的策略常见且常有效。使用电子设备和移动应用的干预成功，与先前综述一致。然而，其效果常随时间下降，因为患者可能忽略它们，提示可能需要定期更新以维持功效。此外，提醒系统的设计至关重要；简单的单向方法（如自动电话或单条短信）常未能改善依从性。相反，适应用户行为且仅在剂量到期或漏服时提示的情境感知提醒倾向于产生比基本时间警报更好的依从性得分。这表明个性化、适应性干预可能更成功。聚焦于咨询、鼓励和动机性访谈的干预显示出混合但有前景的结果。使用动机性访谈和目标设定策略的交互式电话显示出积极影响，而其他电话咨询项目报告无影响或混合效果。这种不一致表明交互质量可能至关重要，因为患者与提供者之间的沟通（情感理解、动机支持和协作决策）可以改善对疾病管理的态度并增强老年人参与自身护理的意识。这些发现也强调数字技术应促进患者与提供者的互动，而非仅仅取代人际互动。多组分方法常见且有利，表明许多成功的DHIs整合了两种或以上功能。将教育与提醒相结合或分层教育与动机支持的研究一致报告积极结果。这些结果似乎克服了仅教育干预的局限性，并支持教育策略与行为方式配对。总体而言，整合模型对老年人显示出更强、更一致的好处。另一值得注意的发现是，大多数DHIs（31/35）针对患者；一项针对家庭护理人员，三项涉及患者和护理人员。这种模式可能反映了从面对面支持向远程护理的转变，老年人越来越依赖DHIs支持的自理来坚持治疗。然而，成功取决于他们采用和参与这些技术的意愿和能力。本评价存在一些局限性，解释结果时需谨慎。排除了灰色文献和未发表研究，仅纳入英文文章，可能导致遗漏相关发现。尽管对DHIs及其策略进行了仔细分类，但由于数字技术的多样组分和设置，可能发生错误分类。药物依从性测量的异质性阻止了合并估计，并将综合限制于叙述性方法。近半数研究依赖自评药物依从性测量，其中一些未经验证，增加了社会期望偏倚的可能性。最后，尽管来自RCTs的证据提供了中等确定性，但观察性研究的极低确定性削弱了整体信心。
5 结论（Conclusions）
本评价强调DHIs在增强老年人药物依从性方面能力差异很大，现有证据未识别出单一明确优越的方法。更高的有效性更常与超越信息内容的干预相关，包括个性化提醒、多组分策略和交互式元素（如目标设定）。与临床医生共享信息并允许随访的干预也显得有前景，尽管证据限于少数研究。未来研究应更明确地报告使用模式并调查DHI成功差异背后的因素，包括其采用的障碍和促进因素。长期评价和更多高质量研究也属必要。
