针对患有心脏代谢疾病且社会经济地位较低人群的电子健康生活方式干预中的定制化：一项范围综述

《PLOS Digital Health》：Tailoring in eHealth lifestyle interventions targeting people with cardiometabolic conditions and lower socioeconomic position: A scoping review

　　

摘要译文：电子健康干预措施能够支持健康生活方式的改变，以预防和管理心脏代谢疾病。尽管大多数电子健康干预措施是为普通人群设计的，但心脏代谢疾病在社会经济背景较低的人群中更为普遍。根据该人群的需求和特征对干预措施进行定制化，可以提高依从性和参与度，从而增强整体干预效果。然而，关于如何针对低社会经济背景用户定制电子健康干预措施的证据仍然有限。因此，本范围综述考察了针对患有心脏代谢疾病且社会经济地位较低人群的电子健康生活方式干预措施中所实施的定制化方法。研究人员聚焦于定制化的对象、定制化变量、用于定制化的算法，以及定制化方法的评估方式。利用与低社会经济地位、心脏代谢疾病、电子健康干预、生活方式和定制化相关的关键词，研究人员检索了包括Scopus、Web of Science、PubMed和PsycINFO在内的电子数据库。研究人员确定了43篇符合条件的文章，涉及27项独特的电子健康生活方式干预措施，主要针对饮食和运动。文献显示了多种定制化方法，尽管存在在设计阶段针对社会经济因素进行定制化的趋势。大多数干预措施（n = 26/27，96%）使用基于规则的算法进行定制化，主要通过反馈选择（n = 17/27，63%）或变量替换（n = 16/27，59%）等功能实现。尽管大多数研究（n = 15/27，55%）缺乏对定制化的评估，但社会文化相关性、适当的语言和健康素养敏感设计的重要性得到了强调。这些发现表明，虽然许多干预措施中存在定制化，但当前方法在促进技术和针对社会经济地位特定需求的动态适应方面仍然有限。因此，未来研究应调查更先进但可复制的定制化算法的应用，并严格评估不同定制化方法对干预效果的影响。为了综合研究结果，研究人员构建了一个框架，该框架概括了综述中的关键概念，并展望了未来的工作。

论文解读

一、研究背景与问题

慢性疾病在全球范围内具有高死亡率，2021年达75%，其中以心血管疾病和糖尿病为代表的心脏代谢疾病是主要贡献者。心脏代谢疾病的负担与健康生活方式密切相关，健康生活方式在其预防、管理和延缓恶化中至关重要。然而，对于社会经济地位较低的人群而言，维持健康生活方式尤为困难。低社会经济地位通常被定义为低收入、教育程度有限和就业不稳定，其与较低的健康素养相关，而健康素养是健康行为的关键预测因素，影响人们获取和运用健康知识的能力。此外，社会、经济和环境障碍导致该人群更多地摄入高糖和高热量食物，而水果和蔬菜摄入不足，体育参与和身体活动指南依从性也较低。这些因素共同增加了低社会经济地位人群对心脏代谢疾病的易感性，如血糖升高、肥胖、代谢综合征、心血管疾病和糖尿病。

支持健康生活方式和心脏代谢健康的干预措施可以通过面对面方式或数字健康技术提供。面对面干预可能耗时、费力且成本高昂，且并非总是有效。相比之下，电子健康干预是一种经济有效的替代方案，可对慢性病管理产生积极影响，改善症状、减少住院并降低医疗成本。然而，大多数电子健康干预措施是针对普通人群设计的，忽略了社会决定因素（如社会经济地位、居住地区和医疗保健可及性）在健康生活方式依从性中的作用。简单地将为高社会经济地位人群设计的干预措施应用于低社会经济地位个体是不够的，会导致干预效果降低。定制化可定义为基于用户特定信息对干预（要素）进行调整，以增加干预对接受者的相关性，电子健康干预在采用定制化时具有更大的影响。然而，针对低社会经济地位人群的电子健康干预定制化知识综合和指南仍然缺乏。因此，开展这项范围综述，旨在调查针对低社会经济地位和心脏代谢疾病人群的电子健康生活方式干预中现有的定制化方法，回答三个研究问题：定制化的对象、层次和变量是什么？执行定制化使用哪些算法？定制化方法如何评估以及处于哪个评估阶段？

二、研究方法概述

研究人员采用范围综述方法，遵循Arksey和O'Malley的框架以及PRISMA-ScR清单。检索策略基于PCC框架构建，使用与低社会经济地位、心脏代谢疾病、电子健康干预、生活方式和定制化相关的关键词，检索PubMed、Scopus、Web of Science和PsycINFO数据库，检索日期为2024年5月3日，更新检索为2025年5月20日。资格标准基于PICO框架的相关组成部分，纳入2000年以来以英文发表的同行评审原创研究或协议论文。研究筛选过程中，第一作者和一位第二审稿人进行了部分双重筛选，并通过反向滚雪球和注册库搜索补充记录。数据提取表部分基于Cochrane审查模板和TIDieR清单，针对三个研究问题提取定制化对象、层面（粒度与动态适应性）、定制化变量、算法、评估阶段等信息。数据分析采用归纳编码对主题进行聚类，并采用演绎编码对评估阶段进行分类。

三、研究结果

（一）搜索与一般信息

初始检索获得1677篇文章，去重后筛选，最终43篇文章符合纳入标准，描述27项独特的电子健康干预措施。纳入论文发表于2008年至2024年间，多数来自美国（n=31/43，72%）。大多数干预措施针对两个生活方式领域，主要是饮食和运动（n=15/27，56%），也有仅针对运动（n=5/27，18%）或仅针对饮食（n=2/27，7%）的。目标人群特征方面，最常用的是收入（n=17/27，63%）和种族/民族（n=15/27，56%），其次是医疗脆弱性（n=11/27，41%），通常由保险状态或医疗机构类型定义。

（二）定制化方法

定制化的一般领域包括五类：内容、时间与频率、表示形式、目标设定和干预设置。几乎所有干预措施（n=26/27，96%）都定制了内容，形式包括修改通用消息（如添加用户姓名）、选择最相关的内容类型或生成反映用户当前情境的内容。时间与频率定制在约44%的干预措施中出现，通常基于用户偏好或触发因素，如位置。表示形式定制包括个性化进度图或医疗数据可视化。目标设定定制涉及自适应调整目标或推荐目标。干预设置定制包括根据用户行为调整消息比例或外部支持水平。

一般定制化变量方面，识别出九类与低社会经济地位无关的变量类型，主要来自用户自我报告，常通过基线的摄入评估收集。相对缺乏的是连续数据收集，仅少数干预通过手机或可穿戴设备跟踪步数或GPS位置。

与低社会经济地位因素相关的定制化：二十四项干预措施（n=24/27，89%）使用了与社会经济地位相关的变量，最常见的是翻译或简化语言（n=14/24，58%），以及通过相关内容主题增强社会文化关联性（n=9/24，38%）。这些措施主要在干预设计阶段进行，而非在干预运行中动态调整。仅两项干预措施使用参与者当前位置进行动态定制化，以提升对当地运动资源的意识。

定制化层次方面，输入（定制化变量）和输出（定制化内容）的粒度以及动态适应性映射显示，具体的输入通常用于具体的输出，例如基于每日步数生成个性化进度图，通过动态定制化实现。相比之下，个人特征（如姓名）通过静态定制化增强输出信息的个性化。变量收集频率和定制化频率各有五个子层级，两者往往不匹配。常见模式是每周收集行为数据并触发实时反馈选择，但组级变量通常限制了个体化输出。

（三）定制化算法

在算法功能方面，识别出九个功能簇，其中反馈选择、变量替换和内容过滤/优先级排序使用最频繁，而地理围栏和自适应目标设定使用较少。多数干预措施（n=16/27，59%）结合了三种或以上功能，主要组合是反馈选择、进展计算和变量替换。仅两项干预措施明确提及算法类型：一项使用强化学习（RL）进行内容过滤和反馈选择，另一项使用基于规则的本体增强推荐系统生成建议。其余干预措施根据描述推断为基于规则的算法。

（四）评估

评估阶段方面，多数干预措施（n=16/27，59%）达到开发阶段（TRL4-TRL6），四项（15%）处于研究阶段，三项（11%）处于部署阶段，四项为独立协议未分配评估阶段。在纳入人群方面，23项研究（82%）的评估纳入了低社会经济地位的目标人群，两项研究使用计算机模拟或专家评估进行早期概念探索，三项研究由于招募偏差纳入了较高社会经济地位的参与者。

定制化评估方面，12项干预措施（44%）评估了定制化要素，其中11项使用定性方法，关注内容的相关性和吸引力，例如通过焦点小组或专家小组评估语言适当性。少数研究结合了定量分析，如评估健康素养敏感设计对零食行为的减少作用，以及定制化运动场所信息对每日步数的提升效果。四项评估比较了定制化与非定制化版本。定性结果显示，参与者偏好简短、简单、直白的语言，使用通俗词汇和积极表述，以及具体可操作的建议。参与者还强调了社会文化相关性的重要性，例如识别自身在慢性病生活中的挑战、使用符合年龄或文化的视觉材料，以及引用当地专家意见。对不合适的建议（如不切实际的食物替代）则可能导致挫败感。参与者也表达了对更高级定制化的需求，以考虑合并症和不同病程患者的技能知识差异。

参与度方面，5项评估了定制化的干预措施报告了参与度相关效果，其中健康素养敏感设计和视听材料对参与度有积极影响。8项未评估定制化的干预措施报告了总体高参与度，其中两项与体重减轻相关，一项发现自我追踪工具的较高参与度与饮食和运动习惯改善相关。

（五）讨论与结论

讨论部分指出，与社会经济地位相关的定制化主要在整体设计中体现，而非个性化适应，这种统一内容可能无法满足不同知识水平参与者的需求。用户自我报告数据存在客观性不足、影响定制化粒度和动态适应性的问题，且可能对低社会经济地位用户特别不适用。基于规则的算法虽然易于实施和解释，但规则构建可能变得复杂，而基于人工智能（AI）的算法（如强化学习）能同时纳入多个变量并持续适应，但需要训练数据且可能包含对弱势群体的偏见。大型语言模型（LLM）的发展为自动生成个体化内容提供了新可能，但需确保可信度和安全性。未来研究应采用共同设计或社区参与式研究方法，评估数据代表性，并进行严格的效果评估，如微随机试验或析因设计。

结论部分总结道，这项综述综合了针对低社会经济地位心脏代谢疾病人群的电子健康干预中的定制化方法，发现定制化多为动态的且面向用户群体，常用反馈选择和变量替换功能。评估表明健康素养敏感设计具有积极影响，视听材料和社会文化相关性具有价值。然而，技术主要依赖基于规则的算法，且缺乏对定制化的评估，限制了对不同定制化方法适当性和有效性的结论。未来研究应探索自适应算法的整合，并伴随严格的评估方法（如析因设计）以区分定制化的特定影响与整体干预效果。研究人员构建了一个愿景框架，以帮助扩展现有定制化方法并突出设计过程中的关键考虑。

四、研究意义

这项综述发表在《PLOS Digital Health》上，系统绘制了针对低社会经济地位和心脏代谢疾病人群的电子健康生活方式干预中定制化方法的现状，填补了该领域缺乏综合证据的空白。其意义在于：首先，揭示了当前定制化实践的技术局限性（基于规则算法为主）和评估缺失，为未来研究方向提供了明确指引；其次，通过构建概念框架，为干预设计者提供了系统考虑定制化层次、变量、算法和评估的架构；最后，研究结果与可持续发展目标（SDGs）中的“良好健康与福祉”（目标3）和“减少不平等”（目标10）相关联，强调通过改进定制化方法提高电子健康干预对弱势群体的效果和包容性。该综述强调未来需要开发更先进的、可复制的自适应算法，并通过严格的试验设计量化定制化的独立贡献，从而推动该领域向更精准、更公平的数字健康干预发展。