适配干预研究进展

李帅妮，倪晓莎，胡文奕，高雅婷，林 颖，楼 妍

1杭州师范大学医学部护理学院，杭州 3111212浙江省杭州市第九人民医院护理部，杭州 3112253中国计量大学校医院，杭州 310018

对不良生活方式与不健康行为应进行积极干预，传统行为干预通过在固定时间给所有研究对象固定的干预方案，经过固定的干预周期，从整体水平对干预效果进行评价。该种干预模式不考虑干预过程中个体需求的变化，研究对象对干预产生效果的时间差异以及干预效果的动态变化。因此，可能导致对研究对象的干预不足、干预过剩或不适用。适配干预(adaptive intervention，AI)是一种以满足个体需求为导向，能随时间变化根据干预结局动态调整干预方案的干预方法学，即通过在决策点对个体的适配变量进行动态评估，制定个性化的干预措施，帮助个体适应动态改变，促进及维持干预结局[1]。本研究主要介绍AI的起源与发展、核心要素、分类和展望，旨在为健康行为干预的研究与实践提供方法学指导。

起源与发展

1979年，Schal[2]提出的“数据决策模型”是AI核心理念之一“动态决策”的起源。1996年，Bertsekas和Tsitsiklis[3]指出干预过程存在多变性，健康行为干预方案无法完全提前确定。1995至2000年，多位学者通过应用“动态治疗策略”调整患者的治疗方式，进一步促进了“动态性”理念的发展[4-5]。

同期，AI的另一核心理念“个性化”在“分阶段照护干预”或“分阶段照护模型”中得以体现，即当研究对象对低强度、低成本初始干预方案无效时，应为其调整更高强度、更密集的干预方案[5- 12]，该理念在“快速通道预防干预”项目中得以应用，即研究者通过多年跟踪、根据父母的不同家教水平等变量来制定个性化方法，以全方位减少儿童品性障碍风险因素[13- 14]。随着现代科技的发展，AI的核心理念基于计算机得到初步发展。1996年，Kreuter等[7]通过计算机对个体触发“个性化行为改变”的反馈信息，增强健康风险评估的有效性；1999年，学者们再次基于移动科技，通过分析问题、产生评估工具、触发个性化信息、建立数据库、产生个性化算法5个步骤，为个体提供“私人订制”的健康卫生宣传信息[8]。

干预方案“个性化”和“动态化”的具体实现规则也逐步清晰化。1998年，Collins等[9]提出“中介变量”能通过影响“中介过程”影响干预效果。2000年，Lavori等[10]强调干预过程中何时以及如何调整干预方案，2001年，Murphy等[11]指出可以根据干预水平随时间变化的变量信息调整干预方案。2004年，Collins等[12]首次提出AI的概念，阐述选择和评估适配变量，以及制定决策规则的方法。2012年，临床医生可基于“适配理论”进行个性化评估、诊断和制定治疗方案[13]。2014年，学者开始积极探索决策的最佳时间并进行优化[1]。2016年，Nahumshani等[14]阐明AI的研究目的、核心要素及设计原则。自此，AI在多个领域开始广泛应用。

核心要素

AI的核心要素包括干预结局、干预方案、决策点、适配变量、决策规则。

干预结局根据实现时间长短将其分为：(1)短期结局：是干预过程中的阶段性目标，有利于个体循序渐进实现长期结局；(2)长期结局：是实施AI的最终目的，即主要的临床结果。例如，针对肥胖人群干预时，短期结局为降低对零食的欲望，长期结局为改善不良饮食习惯[15]；针对静坐人群干预时，短期结局为增加每日步数，长期结局为增强体力活动水平[16]。

干预方案干预方案即个性化的干预策略，即在决策点基于适配变量的动态信息，为个体制定的个性化干预策略[14]，回答干预 “How”的问题，即如何达到干预结局。与传统干预相比，进行AI的个体可能持续使用同一干预方案或接受一系列不同干预方案。干预方案包括干预者、干预方式、干预内容。

干预者：实施干预主体，除了传统干预中的研究者、专业干预人员，还包括智能的移动科技。在减重干预中，干预者为移动应用OnTrack，该应用通过每天提醒研究对象进行饮食失误风险因素调查，并基于此触发减重提示建议[15]。

干预方式：包括干预形式和触发方式。干预形式包括语音视频、面对面访谈、培训课程、互动游戏等。触发方式常基于移动科技自动分析变量数据或由个体提交数据进行。例如，为了提高艾滋病患者抗逆转录病毒服药依从性，通过个体自我和电子药物监测设备实时监测其药物剂量服用情况，并通过双向短信提醒、高强度面对面访谈、视频片段多种形式，帮助个体提高自我管理能力，降低患者血液抗逆转录病毒载量[17]。

干预内容：指实施AI有关的行为计划、情绪支持、干预方法、反馈建议等，与传统干预相比，个体接受的干预方案可存在内容的差异。在促进精神障碍患者症状的自我管理研究中，应用程序FOCUS会自动提示个体评估药物依从性、情绪调节、睡眠、社交功能和应对幻觉，并根据评估结果给予不同支持反馈。当个体状态非常糟糕时，FOCUS会提供建议，例如提示个体访问自我管理资源库；若个体状况较佳则给予积极鼓励和强化[18]。此外，不同个体其干预剂量，即干预措施的水平或强度存在差别。例如，对吸烟人群干预时，戒烟智能APP根据实时数据提供0～3级4种自动化促进信息。在干预前1周和干预后1周，当个体已经戒烟或对戒烟没有兴趣时，干预方案为不进行信息发送；当个体处于较低的吸烟行为风险时，干预方案为1级提示信息，即保持不吸烟的动机并给予常规戒烟建议；当其处于较高风险时，则给予2级提示信息，即提供失误行为高风险因素的应对策略；当个体存在吸烟行为，应立即给予3级提示信息，帮助寻找吸烟原因并制定新的戒烟计划[19]。

决策点决策点是当个体处于高风险状态(最易产生不健康行为)时，基于适配变量的动态信息，实施或调整干预措施的最佳时间点[20]，回答干预“When”的问题，即何时调整干预策略。根据研究问题和适配变量特点，可设置一个或多个决策点。例如，自闭症儿童沟通问题AI设置1个决策点(第3个月)[21]，而青少年糖尿病血糖控制AI设置5个决策点(基线和第3、6、12、18个月)[22]。决策点的类型可分为：(1)提前确定：决策点可基于循证提前确定，且每个研究对象的决策点固定。例如，为了促进成年人身体活动，在每天下午2点和9点，通过手提电脑提醒个体完成身体活动水平评估，获取其身体活动中的阻碍和促成因素，为个体制定个性化的运动目标[23]；(2)动态变化：AI中，基于移动科技动态监测适配变量信息，一旦符合预先设定规则如适配变量超过某特定值或当个体提交数据时，即为决策点。针对办公室长期工作人员，用鼠标及键盘活动记录电脑用时，当检测其持续工作时间大于30 min，会即时触发身体活动相关提示，例如提醒个体起身接水并在接水机旁伸展身体[24]。

适配变量又称情境信息，指在AI中影响目标完成的潜在变量，它是运行和检测AI的基础，是实施AI的中心环节[20]。通过适配变量变化水平决定何时以及如何调整干预方案。

适配变量根据收集时间不同分为：(1)基线适配变量：主要指个体的基线信息。例如，人口统计学数据、临床特征及生物学指标，可为初次或后期分配个性化干预方案提供参考；(2)过程适配变量：在干预过程中，为选择动态性方案而收集的一类变量信息，可作为长期结局的早期指标。例如，减重干预研究中的过程适配变量为减重值[1]，可根据其变化情况AI措施。

适配变量的性质类型分为：(1)时间类：包括时间周期、频率及日程安排等信息。例如，老人静坐行为干预项目中，静坐总时间为适配变量[25]；(2)位置类：包括个体所处的位置。例如，通过通用分组无线服务技术进行个体户外跟踪[16]或基于接收信号的强度指示对室内环境进行定位[25]；(3)生理指标类：包括身体测量和生理参数。例如，在针对1型糖尿病的青少年的行为干预中，其适配变量为糖化血红蛋白指标[22]；(4)活动类：包括活动方式(静坐、步行、跑步)、活动强度(低、中、高强度)、活动体能消耗。例如，通过装有加速度计的智能手机确定上班个体是否处于静坐状态[12]或通过活动记录器评估孕产期妇女的活动状况[26]；(5)心理指标类：包括压力水平、自我调节能力、抑郁水平等，是影响行为改变的重要因素。例如，对孕期增重妇女干预时，其适配变量为焦虑和抑郁水平，可基于状态特质焦虑量表、流行病学研究中心抑郁症量表对其进行评估[26]。

适配变量信息通过以下方式获取：(1)主动报告：即通过研究对象、家属或临床医生等进行汇报或陈述来收集数据，需要个体参与其中。例如，针对注意力不集中的孩子，由学校老师、专职人员或结合两者对其课堂违规行为数据进行收集[27]。主动报告方式存在主观性，对个体易带来压力使所获数据不准确；(2)被动获取：在实况情境下，基于移动技术如传感器、掌上电脑、计算机获取即时的数据信息。被动获取不需或较少需要研究者参与，具有便捷的特点。例如，基于智能手机内置加速度传感器获取个体活动的空间轨迹[16]。

决策规则决策规则指基于决策点，系统地连接适配变量和干预方案，通过获取适配变量的数据信息，对个体适配个性化方案的一系列规则。例如，减重干预设计中，决策规则为给予初次行为认知干预，5周后当个体减重值大于5磅，继续给予初次干预方案；当个体没有达到干预结局，给予加强干预即初次干预+代餐饮食，或改变初次干预给予接纳与承诺疗法[1]。

分 类

根据是否借助移动设备、触发干预、决策点设置的不同，AI可分为以下两类。

传统AI常基于一定理论基础，尽可能为个体适配个性化干预方案，促进其干预结局的实现，是应用较普遍的AI类型。较少有移动科技介入，干预即时性不强。传统AI目前应用于儿童注意力不集中[4]、小儿广泛性焦虑[28]、儿童自闭症[21]、青少年2型糖尿病血糖控制[22]、大麻成瘾干预研究[29]、肥胖人群减重[30]等。干预者涉及临床医生、特殊教育者、心理医生等，常通过面对面访谈、专项会议、团体活动等形式给个体分配健康咨询、个性化策略等干预措施，其决策点较为固定。此外，适配变量数量单一，常由个体或其家属基于问卷调查主动报告，种类相对较少。决策规则少且较为固定，实施相对容易。

传统AI主要包括两个关键环节：(1)第一阶段：收集基线数据，个性化给予部分个体干预方案；(2)第二阶段：通过动态监测适配变量如干预反应、干预依从性来识别有效应答者，即达到干预结局的个体，则给予原始干预方案；无效应答者，即未达到干预结局的个体，则给予加强方案，或者改变初次干预方案。通过不断调整干预方案，阶段性完成短期结局并促使长期结局的实现。

即时AI又名动态干预策略[29]，智能实时干预[14]，指基于移动科技获取动态适配变量信息，在决策点为其提供个性化的干预措施，以达到个体的干预结局。移动科技在即时AI(just-in-time adaptive intervention，JITAI)的适配变量评估、干预环节起关键作用。JITAI目前用于大学生醉酒和吸烟干预[31-32]、促进成年人身体活动[23- 24，33-34]、孕期妇女体重控制[26]、失眠症状管理[35]、抗逆转录病毒服药依从性干预[17]、成年人肥胖控制等[15，36]。相比传统AI短期结局，JITAI短期结局更为具体，能及时获取适配变量信息以阶段性达到干预结局，其干预方式侧重短信发送、应用程序、访谈、培训会议等。干预内容包括提醒类信息、健康咨询、个性化策略。JITAI决策点较为即时，以灵活设定为主，部分决策点设置较为固定，其适配变量和决策规则类别和数量较多。

与传统AI相比，JITAI干预者通常包含移动科技成分。干预时，移动科技可自动或基于个体主动报告获取即时数据，以此触发干预方案，干预触发更具有即时性和自适应性。(1)即时性：指JITAI可在较短时间动态获取适配变量信息并即时触发干预措施，强调AI的最佳时机，其决策点因个体而异。例如，在促进个体身体活动干预中，一旦个体步行活动数据显示其实现目标，会收到即时反馈信息如“很棒!记住，每天一万步，健康近一步！”；否则，在固定时刻，移动科技评估其未实现活动目标，会给个体发送当前步数信息并鼓励继续运动如“已收到您今日的活动步数，明天活动步数为：4525步”[37]；(2)自适应性：指移动科技基于适配变量信息，通过识别个体是否需要支持、需要何种支持及确定干预过程中的风险因素，在决策点为个体适配正确类型、正确强度的干预措施，以此促进干预的即时实现。例如，对个体的饮食失误行为干预时，应用程序鼓励个体每天完成6次的半随机调查，实时评估潜在风险因素，当个体每餐饭量超过预期目标，OnTrack会提示其处于高危风险状态，并针对3种主要风险因素制定不同干预策略，个体可在多种方案中选择最佳方案[15]。

展 望

核心要素优化目前，AI研究应用逐渐增多，但因其开展时间不长，常出现AI核心要素循证依据不足，可通过序列多重随机对照试验(sequential multiple assignment randomized trial，SMART)、微型随机干预(micro-randomized trial，MRT)、控制系统工程来优化设计。

SMART：SMART是多阶段的随机试验，指在每一个阶段进行一次干预决策，注重对无效应答者调整并随机AI方案[28]，常用于优化传统AI。SMART目前研究包括青少年儿童精神障碍如青少年抑郁[38]或儿童自闭症[21]，社区儿童不良行为[39]，青少年肥胖[33]和孕产妇超重[40]。

与传统AI和JITAI相比，SMART有以下特点：(1)随机对照试验：设有对照组，并有多次随机分组过程，在此基础上调整并随机给予干预方案[28]；(2)干预方案比较：通过在决策点评价个体对前期干预的应答率，给予不同的干预方案，即应答者继续原有干预方案，无效应答者强化初始干预方案或给予新的干预方案，以此明确不同干预阶段最有效的干预组合方式；(3)AI效果比较：SMART中含多个AI，可通过比较不同干预规则来确定最优AI[1]。

MRT：MRT是在多个决策点，对个体随机分配多种干预方案的微型随机试验，通过获取和分析情境数据，以此评估干预方案如何随时间变化及如何影响干预效果，在此基础上优化JITAI的即时性或自适应。优化时，应在前期明确优化问题，优化方案，优化目标并构建相关模型；进而在多个时间点，给个体随机分配一种或多种干预措施，分析其干预结果并得出优化方案。

为了促进药物滥用青少年的自我报告，MRT通过构建依从性模型来明确优化方案。例如，研究要求73名研究对象在1个月内完成以下事件，即每天下午6∶00～12∶00 完成1个评估(基于问卷调查评估日常情绪状态)和2个任务(基于活动任务评估反应时间和空间记忆)。研究设计在不同决策点，即事件前、事件完成时、事件完成后分别推送提醒类消息、鼓励类消息、强化类通知，例如，在下午4∶00(事件前)，随机选择个体并随机推送当代名人励志信息，以此增强个体自我信念，促进自我报告的依从性。同时，使用乘法结构嵌套对数线性模型、工作模型方法分析其结果来确定优化设计方案。例如，结果表明，下午4∶00，收到提醒类通知的个体在同一天完成调查的比率更高；完成调查后，收到强化类动态图的个体在第2天完成调查的比率更高[41]。因此，JITAI干预设计可参考此数据分析结果实现其干预优化目标。

控制系统工程：控制系统工程是一门应用系统学和工程学方法如动态系统模型、模拟、控制器研究如何实现最大效益的学科[40]。在AI中，可通过动态模型进行探索性模拟研究来优化JITAI，即设定JITAI核心要素，在调整输入数据(干预方案)基础上，分析模型数据输出(干预效果)，根据其分析结果不断调整干预方案，以此来了解不同干预方案对个体的即时干预效果，从而实现干预有效性的最大化。

控制系统工程基于动态模型分析，适用于临床干预存在伦理问题的AI。例如，对孕期增重(gestational weight gain，GWG)妇女进行探索性干预研究[40]，该类研究由于控制孕期体重对胎儿生长与出生体重可能存在影响，直接干预存在伦理问题，可通过控制系统工程来初步探索相关性。干预时，控制系统工程以物质能量平衡、计划行为理论、自我调节理论为指导，通过计算机确定模拟研究对象(女性、年龄25岁、体重75 kg、身高160 cm、身体质量指数29.3 kg/m2)适配变量(GWG)、研究目标(管理GWG，控制婴儿出生体重)、适配规则(每隔4周，对妇女GWG进行评估，当妇女实现减重目标，继续原有干预剂量；若干预未达到干预结局则加强干预剂量)并构建动态模型。动态模型中，通过预测控制器自动调整干预剂量(饮食水平和运动水平)，探讨不同剂量干预方案对母婴饮食、宫内环境、孕期体重和婴儿出生体重产生的实质性影响，进而明确不同干预剂量与方式的干预效果，为即时AI提供现实应用的“理论证明”[41]。

设计实施要点设计实施AI时，为了优化干预效果，除了优化其核心要素，还应注意干预可行性、依从性、样本量确定和结局数据分析等问题。

移动科技可行性：移动科技可实时获取动态数据信息，在提升干预效果的同时，伴随着一定局限性。(1)人群方面：研究发现部分老年人不会或不熟练掌握使用方法，阻碍即时干预顺利开展[42]。因此，进行JITAI前，应评价研究对象对移动科技的应用水平，并进行移动应用的多方位培训；(2)设备方面：JITAI的紧急情况如机器障碍、网络信号差、设备断电常会导致数据缺失，从而影响AI的即时有效性[14]。软件工程师可定期检测并动态监测移动应用的运行情况。干预中，研究者应和软件工程师定期沟通，以便提前预防和有效应对移动设备紧急状况。

AI依从性：AI依从性受以下三方面影响：(1)即时性：进行JITAI时，多次发送信息或触发干预会给个体带来一定压力，影响其干预依从性。AI设计时需权衡干预触发频率与依从性的关系，可通过随机化方法，优化选择触发时机、减少触发频率等途径增加依从性。如在饮食控制干预中，移动科技要求个体回答引起饮食风险的8个行为问题来获取数据信息，并非对所有风险因素进行回答，以此减少个体负担[15]；(2)干预参与度与满意度：运用移动科技或自我报告收集数据的方式容易使个体形成错觉，即自身并未充分参与其中，导致干预参与度和满意度不高，降低了干预的依从性[43]。因此，研究人员可通过多阶段沟通提高个体干预参与度与满意度，如在干预前进行动机性访谈，与个体讨论干预措施的主要内容、干预过程的注意事项；干预中，与个体保持沟通以了解干预进展及个体状况；干预后，基于半结构访谈或量表评估询问个体参与试验的感受与建议；(3)干预疲劳：AI中，个体常会产生以下疲劳：①认知疲劳：指在学习活动中，基于持续性和特定强度任务的驱使，大脑的认知水平会有所下降。过度的认知疲劳会对当前和以后的干预方案产生干扰，个体出现思维迟钝、反应减慢等[44]；②习惯性反应力下降：指由于个体过度暴露于干预研究中，使其对于干预的生理性或行为性反应降低，如当干预周期过长时，个体可能会忽视行为促进类信息提示[14]；③情感状态消极：干预过程部分个体会感到无聊、愤怒或失望[45]。为缓解干预疲劳，研究人员应设计内容直观、简短清晰、有创新性、且基于不同形式触发的干预模块。此外，干预的动机性访谈环节，研究者应教授个体干预疲劳的应对和管理策略。干预中，研究者应加强对疲劳的动态监测和有效识别，一旦发现立即进行干预。

样本量确定及结局数据分析：AI侧重在多阶段对无效应答者调整方案，样本量不能过少，可基于有效应答率、研究目的和主要结局变量，通过设定把握度、失访率和干预效应大小制定适宜的样本量；若实证依据不足，可基于预试验确定样本量。

相比传统干预，AI包含纵向数据和聚类数据集等，且其变量多，干预组合和干预环节复杂，数据分析为难点。目前，常基于方差分析和重复测量方差分析来评估长期干预结局的干预效果[46]；基于意向性分析、疾病控制率和生命表法评估每个干预方案的干预效果[47]；基于混合效应模型[48- 49]、拟合模型、纵向回归模型[21]、细粒度分析和Q-learning算法[50]等分析不同阶段、不同决策点AI方案的有效性。确定JITAI适配变量与干预措施的因果关系时，可应用事后分析[21，51]、中介效应分析[47]、因果效应模型[33]、时变效应调节模型[33]、边缘建构模型[52]等。