智能手机身体畸形障碍认知行为疗法参与及其方法验证：研究和用例【2023】

互联网干预32（2023）100615表征观察到的和有效的行为参与与智能手机认知行为治疗身体畸形障碍：方法路线图和用例[10] A，B，C，D. [10]杨晓波a，张晓波a，张晓波b，张晓波a，张晓波a，张晓波b，张晓波a.作者声明：aa美国马萨诸塞州波士顿市马萨诸塞州总医院/哈佛医学院精神病学系bKoa Health，London，UKA R T I C L EI N FO保留字：身体畸形障碍认知行为疗法参与智能手机数字健康A B S T R A C T智能手机心理治疗越来越受欢迎，但人们对（1）人们如何更喜欢使用心理治疗应用程序，或（2）哪些参与模式构成有效参与的了解甚少。本研究使用了一项为期12周的随机等待名单对照试验的二级数据，该试验是关于智能手机提供的认知功能。行为疗法（CBT）的身体畸形障碍（BDD）（N=77），以解决这些目标。此外，本发明还使用本研究作为一个用例，我们试图提供一个路线图，研究人员如何可以改善现有的智能手机心理治疗参与研究的方法局限性。我们通过从电话分析数据中得出的19个客观变量来衡量口头参与度，我们通过因子分析分为两个因素：1）使用量和频率，以及2）会话持续时间。基于参与因素的聚类分析产生了三种类型的用户，映射到“深度”用户，“采样器”和“轻”用户。在不同的治疗中，这些集群在BDD严重程度的改善方面没有显著差异，尽管深度使用者改善超过轻度用户在轻微的显着水平。结果表明，不同模式的首选参与可能是有效的。此外，该研究的 方法 为研究 人员如 何全面 客观地测 量和研 究行为 参与提 供了一 个例子。试用注册：ClinicalTrials.gov标识符：NCT 040346931. 介绍智能手机心理治疗的发展最近激增，2022年初市场上大约有20，000个心理健康智能手机应用程序，全球支出从2019年的2.03亿美元增加到2022年的估计4.91亿美元（德勤，2022）。虽然市场在增长，但对用户参与度智能手机心理疗法（Molloy和Anderson，2021; Nahum-Shani等人，2022年）。参与度包括一个行为组成部分持续时间、数量、频率、深度、广度）影响、兴趣、注意力）（Pham等人， 2019; Perski等人，2017; Molloy和Anderson，2021; Nahum-Shani等人，2022; Short等人，2018年）。许多描述智能手机心理治疗参与的研究依赖于满意度、可用性、可行性和可接受性的需求特征和报告或解释偏差（Ng等人， 2019年）。或者，应用程序分析数据提供低负担，客观的行为参与指标。然而，报告客观参与数据的研究在报告的测量数量和类型方面差异很大，通常仅包括一个或两个提供不完整图片的变量（Molloy和Anderson，2021; Pham等人，2019; Ng等人，2019年）。由于方法上的限制，我们对智能手机心理治疗参与模式及其对疗效的影响的理解仍然有限。关于智能手机心理治疗参与的理论和综述文章要求对参与分析数据进行全面报告，而不是依赖主观报告或单一分析指标（Short et al.，2018; Molloy和Anderson，2021; Pham等人，2019年）。通过广泛的应用分析数据制定一个全面衡量和报告行为参与度的路线图，有助于更准确地了解用户如何参与* 通讯作者：马萨诸塞州总医院精神病学系，185 Cambridge Street，Suite 2000，Boston，MA 02114，USA。电子邮件地址：Hilary_weingarden@mgh.harvard.edu（H. Weingarden）。https://doi.org/10.1016/j.invent.2023.100615接收日期：2022年12月2日;接收日期：2023年3月10日;接受日期：2023年3月14日2023年3月16日网上发售2214-7829/© 2023作者。由Elsevier B. V.发布，这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表互联网干预期刊主页：www.elsevier.com/locate/inventH. Weingarden等人互联网干预32（2023）1006152===-智能手机心理治疗，反过来又告知如何设计程序，以最佳地与首选的参与模式兼容除了使用全面的应用分析数据来描述观察到的行为参与外，使用这些数据来了解构成有效参与的模式也至关重要。有效的参与导致预期的变化（例如，治疗反应，症状改善）（Pham等，2019年）。少数研究检查了智能手机心理治疗的有效参与（Pham等，2019; Molloy和Anderson，2021）。尽管关于什么是有效参与的经验数据有限，但我们经常对什么是有效参与做出假设。我们通常认为更多的总时间或会话更好。然而，使用量和响应之间的关系是高度混合的（Kuhn等人，2017年; Molloy和Anderson，2021年; Linardon和Fuller-Tyszkiewicz，2020年），可能是由于客观参与变量和结果之间的非线性关系，以及比通过单一变量更全面地测量参与的重要性。总之，有必要从经验上评估从一套全面的客观变量中界定的哪些参与模式构成有效参与。有了这些信息，我们可以设计智能手机心理治疗，以促进有效的参与和劝阻无效的参与。本研究试图建立我们对行为的理解，使用来自12周等待名单对照试验的二级数据的智能手机CBT与教练支持身体畸形障碍（BDD）（N 77）（Wilhelm et al.，2022年）。BDD的智能手机CBT是研究智能手机CBT参与的适当用例，因为BDD是一种常见的精神障碍，与高损害和低生活质量相关，并且与许多常见病症（包括强迫症、社交焦虑症、饮食障碍和抑郁症）具有诊断重叠或共病（Phillips et al.，2005年）。BDD的CBT和我们的智能手机提供的治疗，因此结合了这些相关和共病条件的中心CBT技能。首先，我们的目标是 描述参与者在临床试验中使用一套全面的电话分析衍生参与变量来分析数字服务的参与模式，这些变量映射到使用量、关键应用程序功能的使用、使用频率、会话持续时间和治疗期间使用的一致性等方面。我们应用因子分析将变量简化为因子，并使用通过聚类将参与者分类为“较复杂类型”的结果因素分析.我们将目标1作为探索性的，目的是描述在我们的样本中观察到的参与模式，并为未来的研究人员提供如何收集和检查广泛的电话分析衍生的参与变量的路线图;因此，我们做了有限的先验假设。也就是说，从我们与相同数字服务（N 10）接触的开放试点试验（Weingarden等人，2020年），我们预计会看到频繁和短暂的行为参与的平均模式，与治疗的第二个6周相比，前6周的使用量更大。其次，我们旨在研究参与类型是否与治疗效果有差异。我们研究了Aim 1聚类分析的BDD类型是否预测了BDD症状严重程度随治疗的变化。如前所述，之前研究敬业度和结果之间的关系的研究很少，通常包括一组狭窄且不一致的敬业度变量，并且产生了混合的结果。因此，很难从现有文献中产生先验假设，我们再次将这一目标作为探索性目标。根据试点结果（Weingarden等人，2020），我们假设以更频繁使用为特征的行为参与模式，但不一定更大的总使用，与不频繁使用模式相比，与症状严重程度的降低相关。根据现有文献，我们假设，以主要技能模块的更高完成度和更多教练互动为特征的参与模式与BDD严重程度的大幅降低相关（Molloy和Anderson，2021; Furukawa等人，2018; Schlosser等人， 2017年）。2. 方法2.1. 概述和研究设计关于方法、合格标准和干预的详细信息描述于原始手稿中（Wilhelmet al.，2022年）。该二次分析使用了一项随机、等待名单对照试验的12周积极治疗阶段的数据，该试验是教练指导、智能手机提供的BDD（Perspectives）CBT，参与者根据其指定的条件立即或在等待名单之后访问。2.1.1. 参与者参与者于2019年7月至2021年3月在全国范围内招募。符合条件的参与者有BDD的初级精神病诊断。要求服用精神药物的参与者在开始研究前至少2个月接受稳定剂量，如果参与者正在接受同步心理治疗，则将其排除在外。2.1.2. 程序程序由马萨诸塞州总医院机构审查委员会批准，并由数据安全监测委员会每年审查。参与者在参与前给予知情同意。参与者以1：1的比例随机分配，按药物状态分层，立即或等待12周后获得Perspectives。2.1.3. 评估参与者完成了筛选评估，其中收集了诊断，资格和人口统计学信息。对于那些被分配到立即治疗的患者，在同一次预约时进行基线测量，并在第12周收集治疗后数据。对于那些分配到等待名单的患者，第12周的测量（等待名单结束，治疗开始前）作为基线，在第24周（智能手机CBT结束）收集治疗后数据。临床医生管理的测量通过盲法、经培训和可靠的医生级评估员通过视频通话进行，并且自我报告测量通过研究电子数据采集（REDCap; Harris等人，2009年）。从第6周开始，参与者每次评估获得25美元的补偿;筛选和基线预约不提供任何付款。2.1.4. 治疗Perspectives是一项为期12周的BDD数字服务CBT，通过参与者的个人Android或iOS智能手机提供治疗内容包括简短的心理教育和基于技能的互动练习，包括认知重建、暴露和仪式预防（ERP），正念和知觉（镜像）再训练，核心信念和自尊练习，参与有价值的活动，以及预防复发。通过与学士级别教练的轻触式沟通促进了治疗，其互动重点是支持参与和激励。教练互动通常包括治疗介绍和中点时的简短电话（每位参与者的教练通话总时间为M26.9分钟，SD10.9分钟）和轻松的应用程序内聊天交流（每周教练消息传递时间每个参与者M= 1.5分钟，SD= 1.3）（Wilhelm等人，2022年）。Partic-ipants被指示尝试每天使用该应用程序，无论是在应用程序的入门心理教育， 对 介绍教练的 电话 一以用户为中心的设计和开发的详细报告在Wilhelm等人中描述。（2020年）。H. Weingarden等人互联网干预32（2023）1006153=2.2. 措施2.2.1. 诊断和严重性测量使用迷你国际神经精神访谈（MINI 7.02）（Sheehan等人，1998年）。BDD严重程度（主要试验结果）用临床医生施用的Yale-BrownObsessive Compulsive Scale Modified for BDD（BDD-YBOCS）（Phillipset al.，1997）。2.2.2. 接合参与者周期、会话持续时间和随时间使用的一致性。这些测量结果来自被动捕获的参与者-应用程序交互。2.2.2.1. 使用量（volume）。这些变量包括应用程序上的总分钟数、会话总数（即，参与者返回应用程序的次数）和参与者使用应用程序的总天数。2.2.2.2. 频率和不活动周期。这些变量包括应用程序使用频率（连续应用程序会话之间的对数转换平均时间）和不活动时间（参与者在返回应用程序之前连续7天以上2.2.2.3. 关键应用程序功能的使用。这些变量包括强制性的百分比（即，分配给所有参与者）完成的技能模块、完成的必修练习的百分比、参与者发起的练习中完成的练习的百分比、分配的ERP练习中完成的ERP练习的百分比以及发送给教练的消息的数量。2.2.2.4. 届会的会期。应用程序会话基于长度分成四个区间：>30秒至3分钟（区间1）、>3分钟至5分钟（区间2）、>5分钟至10分钟（区间3）和>10分钟（区间4）。会话持续时间的分布的特点是在每个bin中的会话的百分比。附加-此外，持续时间熵或会话长度的多样性计算如下：3. 数据分析3.1. 要求13.1.1. 平均行为参与模式行为参与的总体模式被描述为使用分钟数，会话长度和跨治疗的使用分布。 每个会话被定义为打开应用程序并关闭它或将其移动到后台。持续30秒的会话被丢弃，以消除用户打开应用程序并在不使用任何功能的情况下关闭应用程序的情况。3.1.2. 因子分析使用Python 3.9.8中的factor_analyser v0.4.0库进行EX探索性因子分析（Gorsuch，2014），以从分析衍生的参与变量中提取潜在因子（见测量 ） 。 Minres （ Harman 和 Jones ， 1966 年 ） 和 方 差 最 大 旋 转（DeCoster，1998年）用于通过正交旋转的最小二乘解找到因子。我们通过scree检验（Cattell，1966）确定了因子的数量。因素分析的输入包括17/19的参与度变量;会话的百分比>10分钟和应用程序使用的百分比丢弃最后4周以避免模型过度指定。除百分比外，使用最小最大缩放器缩放测量值，使其值介于0和1之间，同时保持其分布。在应用因子分析之前，我们运行了Bartlett球形检验（BTS）（Bartlett，1950）和Kaiser-Meyer-Olkin（KMO）抽样充分性测量（Kaiser和Rice，1974），以确定因子提取是否适合我们的数据（Dziuban和Shirkey，1974）。3.1.3. 聚类分析聚类分析使用来自Python 3.9.8的scikit-learn v1.1.1和yellow- brickv1.4库进行。参与者根据从因素分析中提取的因素进行聚类。我们使用K均值算法（MacQueen，1967）来寻找聚类，使用轮廓得分来寻找聚类的最佳数量（MacQueen，1987）。3.1.4. 在应用程序之外的技能参与方面的集群组差异由于这些因素来自应用程序分析数据，因此它们不会捕获在应用程序之外练习治疗技能所花费的时间。 为了完成-session_entropy=∑4perc_sessions_bin n log（perc_sessions_bin n）。最后，=通过聚类分析，我们研究了自我-参与者的n1计算中位会话持续时间报告称，每周花在应用程序上练习治疗技能的时间在具有重复变量的分层广义线性混合模型中，3.1.4.1. 随着时间的推移使用的一致性。根据治疗周将应用程序会话分为三个时间段：前4周、中间4周和最后4周。使用一致性的特征是在三个时间段中的每一个时间段内花费在应用程序上的时间百分比。2.2.3. 在应用程序外使用技能所花费的时间比例由于分析衍生的参与变量无法捕捉应用程序外发生的技能实践，我们管理了自我报告第6周和第12周的项目，要求参与者估计练习治疗技能所花费的总时间（“平均而言，您每周使用应用程序或练习应用程序中的技能总共花费多少时间（分钟）？”），以及在应用程序之外花费的比例（“你有多少时间在应用程序之外练习治疗技巧？(For例如，在应用程序之外完成曝光练习，评估应用程序之外的想法？）。”措施（第6、12周）。由于数据的右偏，我们使用引导法（n 5000个样本）获得原始平均值和聚类之间每个时间点成对差异的建模估计值的95%置信区间估计值。3.2. 目的2我们使用了一个分层GLMM与重复测量模型BDD-YBOCS总得分在每个集群随着时间的推移。该模型使用时间（基线、第6周、第12周）、群集组、时间-群集组相互作用、治疗组（即刻、等待列表后）和治疗组-时间相互作用作为固定效应。使用治疗组主效应和治疗组相互作用项来调整模型，以确定等待列表的可能效应（例如，基线症状严重程度、预期、改变准备的变化）。使用具有异质方差协方差结构的复合对称性将时间建模为重复测量。该模型使用了每个时间点的所有可用数据。我们使用特定的对比来估计集群和治疗组之间从基线到治疗结束的变化差异。由于分析的探索性质和群内样本量小，未对多个com-batch进行组间差异型坯结果表示为模型调整的最小二乘均值（LSM），置信限为95%，并在αH. Weingarden等人互联网干预32（2023）1006154===---==------------0.05.在SAS9.4对于Windows。4. 结果4.1. 基线特征三名参与者被排除在本研究之外，因为他们在等待名单阶段停止了申请;这些参与者从未获得Perspectives的访问权限。所有被允许访问Perspectives（N77）的参与者都被纳入分析。参与者主要是女性（84.4%）和非西班牙裔白人（61.0%），平均（SD）年龄为27岁（9.8）年。 参与者基线时重度（BDD-YBOCS M28.3，标准差5.4）。四分之一（25.97%）在筛选时符合共病重度抑郁障碍的标准4.2. 要求14.2.1. 平均行为参与模式在12周治疗期间，参与者使用App的平均（SD）时间为132（112）分钟，其中75%的参与者使用App的时间超过63分钟（参见图1中的App总使用时间分布）。参与者在前几周使用该应用程序的总时间更长;63%的应用程序总时间发生在前4周，76%发生在前6周。参与者记录了平均（SD）43（37）次会议，67%持续时间>30 s ~ 3 min的占15%，>3 ~ 5 min的占15%，>5 ~ 10 min的占13%，>10 min的占5%45名（58%）用户登录在该计划的前半部分，每周至少一次会议，21名（27%）用户在整个12周内每周至少记录一次会议（见图11）。 2）的情况。4.2.2. 因子分析Bartlett检验（1240，p 0.001）表明变量与因子分析充分相关。0.8， 和 百分比 的 必修模块已完成的企业资源规划工作百分比，正负荷>0.7。发送到教练的消息数也加载到因子1（0.57）。 这些变量的积极贡献表明，Fig. 1. 12周治疗期间应用程序总使用量的分布。更高的使用量和关键应用程序功能的使用转化为更高的系数1值。此外，连续会话之间的平均时间（对数转换）负加载到因子1（0.48），表明更频繁的会话转换为更高的因子1值。对于因子2（会话持续时间），最高的因子负荷（1）是短会话（>30 s至3 min）的百分比，其次是会话持续时间熵和中位会话持续时间（>0.8），其次是会话持续时间>5 min至10 min的百分比（0.69）。因子2对于具有较长会话和较长会话持续时间的熵（即，会话长度的多样性）。4.2.3. 聚类分析我们根据提取的因素对参与者进行聚类。最高的轮廓得分（0.41）是用三个集群实现的。17名参与者（22%）属于第1组，24名参与者（31%）属于第2组，36名参与者（47%）属于第3组。这三个集群有不同的行为参与模式;集群1参与者在因子1（使用量和频率）上的值较低，在因子2（会话持续时间）上的值较高。聚类2的参与者在因子1（使用量和频率）上表现出高值，而在因子2（会话持续时间）上表现出低至中等值的互补模式。第3组参与者在因子1（使用量和频率）上具有低至中等值，在因子2（会话持续时间）上具有低值。图3显示了按因子显示聚类之间差异的BOX4.2.4. 在应用程序之外的技能参与方面的集群组差异在两个第6周，第2组比第3组花费更多的时间离线练习技能（自助M[95% CI]分钟：110 [75，145] vs.35[20，54];以分钟为单位的自举差异估计值[95%CI]：71 [34，109]）和第12周（96 [49，149] vs 32 [17，51];自举差异估计值[95% CI]：52 [3，105]。第1组落在第2组和第3组(61第6周时为[35，89]分钟;第12周时为81 [30，139]分钟），与其他聚类无显著差异（图11）。 4）。4.3. 目的2内 每个 集群， 症状 变化 从 基线 结束-治疗显著; BDD严重程度的降低在第1组中最大（LSMean [95% CI]：13.4的 9.9,16.9]，第0001页），随后<第2组（10.2 [ 7.7，-12.8]，p 0.0001），然后是第3组（9.2 [ 6.6，11.7]，p0.0001;图5）。<<然而，集群之间的差异，症状变化无统计学显著性（聚类1对聚类3：4.2 [8.5，0.1]，第0543页;第2组与第3组：1.0的4.7，2.6]，第5723页）。在基线时，第1组受试者的BDD严重程度（30.2 [37.6，32.8]）略高于第2组（27.7 [25.6，29.9]）或第3组（27.7 [26.0，29.4]），但这些差异并不显著（聚类1对聚类2）。2：2.5 [0.9，5.8]，第 1487页;第1组与第2组比较，3：2.5 [0.6，5.6]，第1150页）。第3组在治疗结束前退出的参与者比例最高（36%; n13例），其次是第1组（24%; n 4）;第2组无脱落（0%; n0）。关于治疗分配，组群相对相似：组群1的等待参与者百分比（41%; n = 7）略低于组群2（41%; n= 7）。集群2（54%; n= 13）和3（47%; n= 17）。5. 讨论随着智能手机心理治疗的发展和传播，了解什么是典型的、有效的参与模式变得越来越重要。参与度是一个复杂的结构，可以包含一系列应用交互的标记，例如使用量、应用功能的使用、使用频率、会话持续时间和使用一致性。尽管有可能捕捉到参与的许多方面，但先前的H. Weingarden等人互联网干预32（2023）1006155图二、每个治 疗周 使 用 应用 程 序的受试者数量 分布。通常依赖于主观的或单一的客观的参与测量（Short等人， 2018年）。本研究旨在描述在临床试验期间观察到的BDD智能手机CBT的行为参与模式（目的1），并确定哪些行为参与模式构成BDD智能手机CBT的有效参与（目的2）。在介绍这个用例时，我们同时试图为数字心理健康研究人员如何更严格地测量参与度制定方法路线图，通过以下组合：（a）识别映射到行为参与度方面的一组全面的客观变量，（b）采用实验驱动的降维来识别最相关的参与度变量，（c）根据经验对用户中的治疗者类型进行分类，以及（d）通过检查治疗定义的治疗者类型之间的治疗结果差异来获得关于有效参与的见解。在最高一级，我们将观察到的参与在临床试验期间。类似于我们的试点研究（Weingarden等，2020）和其他数字心理健康干预研究（Nahum-Shani等人，2022; Linardon和Fuller-Tyszkiewicz，2020），参与者在项 目 早期（前4至6周）频繁、短暂地使用该应用程序。行为与典型的报告相比，在本研究中的参与和保持率较高，典型的报告中，使用率通常在前4周后急剧下降至5%以下（Nahum-Shani等人，2022年）。平均行为参与模式强调了与传统的面对面治疗相比，人们使用智能手机提供的CBT的不同之处-我是说。基于智能手机的治疗似乎提供了一些独特的东西，而不是简单地取代面对面的护理。随着数字心理健康干预措施越来越多地融入医疗保健，允许人们选择哪种方法可能适合他们将是有价值的。随后，我们试图在我们的样本中描述不同的细菌类型。我们首先应用因子分析将我们广泛的分析得出的参与变量减少到两个因子中。因素1涉及使用量（总使用量和关键功能的使用量）和频率，而因素2涉及会话持续时间（其中位数、熵以及较长和较短会话的从概念上讲，对我们的因素影响最大的因素，与迄今为止在参与文献中强调的许多因素相对应。在我们对相同数字干预的试点研究中（Weingarden等人，届会频率（因子1上的负荷）似乎是有效参与的特别重要的度量。在Molloy和Anderson优选的特征。与会话持续时间相关的变量（加载到因子2上）可以捕获关于使用深度的信息-即，用户是否参与了有意义的时间量。有趣的是，与使用一致性相关的变量（即，在治疗开始、中间或结束时花费在应用程序上的时间比例）对任一因素都没有显著影响。随着时间的推移，使用量的下降可能是由于不感兴趣或缺乏反应，或者是由于技能掌握（例如，独立使用应用程序的技能）和改进（Lenhard等人，2019年）。事实上，来自我们试点试验的定性反馈支持这样一个假设，即参与者随着时间的推移会更独立地使用应用程序之外的技能（Weingarden et al.，2020年）。我们对使用一致性的衡量并没有捕获 参与者 原因 为 他们的 行为;未来研究将受益于纳入有关用户随着时间的推移而脱离智能手机心理治疗的原因的补充定性信息总而言之，因子分析结果突出了特定的客观参与变量，这些变量可能对研究人员和应用程序开发人员未来收集，以一种平衡全面测量与简单性的方式进行行为参与。我们的聚类分析将参与者分为三种不同的类型。集群1的特征是使用量低，关键应用程序功能的使用率低，使用频率较低（因子1较低），但会话时间较长，熵较大（即，多样性）的会话长度（高的因素2）。第1类参与者可能构成深深集群2的特征是相反的模式-高使用量，使用关键应用程序功能，频繁使用（因子1高），通常会话较短（因子2低至中等）。 第2参与者可能是集群1（深度用户）和2（采样器）各一个H. Weingarden等人互联网干预32（2023）1006156图3.第三章。 因子1（使用量和频率）和因子2（会话持续时间）按聚类的Bo x图。展示了我们可能认为的参与风格中的“优势“和“劣势“的混合体最后，第3组参与者显示出低到中等使用量，使用关键应用程序功能和使用频率（因子1较低），持续短时间会话（因子2较低）。第3组参与者（“轻度用户”）显示了我们可能预期的最低有效参与风格的特征。三种不同类型的垃圾桶的出现强调了以下方面的重要性：全面表征行为参与;我们是否仅使用单一或狭窄的变量集来表征参与（例如，例如，在一个实施例中，应用程序上的总时间）随访分析 的 测试 聚类差异 在 花费的时间在应用程序之外练习技能，补充了仅基于分析数据的分析。结果与分析数据相对一致，表明第2类（抽样者）自我报告的离线技能练习量最大，而第3类（轻度用户）报告的最少。如上所述，捕获关于用户参与的补充信息心理治疗应用程序提供了一个更完整的画面;目前的结果表明，我们的第二个目的是通过检查BDD-YBOCS评分从基线到治疗结束的变化是否因聚类而异来确定有效的治疗类型。所有聚类均显著改善，并且在治疗期间BDD-YBOCS上相似。我们可能有太少的无应答者来识别无效的参与模式。也就是说，结果表明，H. Weingarden等人互联网干预32（2023）1006157=见图4。 在第6周和第12周，按群集列出在应用程序外练习治疗技能的分钟数。图五. 三个参与集群中BDD症状严重程度随时间的变化。使用耶鲁-布朗强迫量表（BDD-YBOCS）评估症状严重程度，其中分数越高表示症状越严重。多种参与模式可能是有效的;我们可能不需要为所有用户规定一种一刀切的参与方法。这是有希望的，因为人们似乎对如何参与有不同的偏好。在一个轻微的显着水平（p.054），集群1（深度用户）比集群3（轻度用户）改善得更多.如果重复，研究结果可能会指出更长的会话和更大的会话长度的多样性作为有效参与的特别重要的方面，以及深度和轻度用户之间最显着的差异。由于这些结果是相关的，因此也可能是未考虑的第三变量可能导致深度用户和轻度用户之间观察到的结果差异。这些发现不同于我们在10名受试者中进行的初步试验（Wein-garden等人，2020），指出使用频率（第2组采样器的特征）是有效参与的特定标志。此外，结果与我们从更广泛的文献中得出的假设不同，即以初级技能模块的更高完成度和更多教练互动为特征的模式（聚类2样本的特征）将特别有效（Molloy和Anderson，2021; Furukawa等人，2018;Schlosser等人，2017年）。相反，采样器得到了显着改善，与其他集群相似。然而，虽然抽样者拥有先前研究确定为有效的几种参与风格，但他们也具有以下特征：较短时间的会议;先前的研究，知情的假设没有没有同时检查所有这些参与指标的影响在更大规模的、真实世界的试验中进行复制是必要的，因为治疗结果的差异更大;如果未来的研究复制了深度参与特别有效的发现，那么这就有意义了。for app应用design设计.例如，鼓励用户在每个会话中参与最少的时间，或者使用诸如交互式内容之类的策略来促进深度参与可能是有价值的。参与模式也可以被被动地监视;如果用户从所识别的有效模式偏离到不太有效的模式，则该漂移可以触发旨在重新参与用户的教练外展或提醒（例如，关于在应用程序上一次花费几分钟专注的好处的消息）。5.1. 限制而本研究的样本量是通过先验把握度确定的 分析 的 主要结果 我们的随机对照试验，本分析的样本相对较小。此外，在临床试验的背景下，智能手机心理治疗的参与， 其中 参与者 选择 基于 关于资格标准，定期评估，并补偿研究评估，可能与参与有意义的不同“在野外。” 此外，虽然我们预计结果可能最适用于智能手机CBT靶向障碍，对于BDD，如强迫症和社交焦虑障碍，特定的行为类型及其与治疗结果的关系可能与针对其他精神症状或障碍的智能手机CBT不同。然而，我们的方法论方法可以扩展到广泛地理解智能手机心理治疗的参与。最后，定性数据，捕捉主观方面，接合（即，用户将补充我们使用的客观措施，并提供更全面的情况。6. 结论之前关于智能手机心理治疗的研究受到了很大的方法论限制。虽然概念审查已经揭示了这些问题（Molloy和Anderson，2021; Nahum-Shani等人，2022年），本研究使用临床试验用例为未来的研究人员奠定了路线图，以更严格地衡量和研究智能手机心理治疗的参与。通过在更大的真实世界数据集中进行复制，本研究结果对应用程序开发具有影响，可以识别可能具有最大收集价值的特定参与措施，并识别有效的参与风格，以在设计和实施阶段进行推广。本文的补充数据可在https：//doi网站上找到。org/10.1016/j.invent.2023.100615。资金来源MGH的研究者负责主要随机对照试验研究设计和临床试验的执行，Koa Health支持与Perspectives应用程序的开发和部署相关的技术活动，并为临床试验提供资金。Koa Health在招募参与者方面没有任何作用，并且在主要随机对照试验期间无法获得数据在目前的二次分析中，来自MGH和Koa Health的研究人员合作制定研究目标，进行分析，解释结果，起草和编辑手稿。Weingarden博士得到了美国国立卫生研究院国家精神卫生研究所的部分支持，奖励编号为K23MH119372（Weingarden）。内容完全是作者的责任，并不一定代表国家卫生研究所的官方观点竞争利益威廉博士是马萨诸塞州总医院H. Weingarden等人互联网干预32（2023）1006158精神病学学院通过制药公司的独立医学教育赠款支持的教育项目;她收到了 Elsevier Publications ， Guilford Publications ， New HarbingerPublications，Springer和OX ford University Press的版税。威廉博士还收到了来自各种学术机构和基金会的演讲酬金，包括国际强迫症基金会，美国妥瑞症协会和疾病控制和预防中心。此外，她还收到了行为和认知治疗协会的报酬，因为她担任行为治疗杂志和约翰威利父子公司的副编辑。&她是《抑郁焦虑》杂志的副主编。&Wilhelm博士还因其在PsyberGuide科学顾问委员会中的作用而获得了One-Mind的荣誉。Wilhelm博士也是Koa Health，Inc.的科学顾问委员会成员。和Noom，Inc. Wilhelm 博 士 获 得 了 Koa Health ， Inc. 的 研 究 和 工 资 支 持 。Weingarden博士从Koa Health获得工资支持，并在马萨诸塞州综合医院精神病学学院的教育项目中担任主持人，该项目由制药公司的独立医学教育赠款支持。此外，Weingarden博士与Hello Therapeutics，Inc.签订了咨询协议。博士格林伯格已获得薪资支持来自Koa Health，是马萨诸塞州Hos将军的主持人pital精神病学学院通过制药公司的独立医学教育补助金支持的教育计划。Hoeppner博士、Bernstein博士、Snorrasson博士和Quist女士从KoaHealth获得工资支持。Garriga Calleja和Matic博士是Koa Health的员工。Harrison博士是Koa Health的创始人/首席执行官，Koa Health是一家数字 心 理 健 康 公 司 ， 与 Wilhelm 博 士 及 其 在 MGH 的 团 队 合 作 构 建Perspectives。Harrison博士还在世界卫生组织数字健康专家名册上任职，是EMPOWER（一个促进社区卫生工作者培训以提供精神保健的非营利组织）的董事会成员，并且是EX pert的成员。执行威康信托基金会心理健康战略小组引用Bartlett，M.S.，1950.因子分析中的显著性检验。Br. J.统计Psychol. 3（2），77-85.https://doi.org/10.1111/j.2044-8317.1950.tb00285。X.Cattell，R.B.，1966.因子个数的scree检验。多变量行为举止。Res. 1（2），245-276.https://doi.org/10.1207/s15327906mbr0102_10网站。DeCoster，J.，1998年因子分析概述2022年10月18日，从。得双www.stat-help.com/notes.html值.德勤，2022年。2022年的技术、媒体和电信预测。Deloitte Insights.https://www2.deloitte.com/us/en/insights/industry/technology/technology-media-and-telecom-predictions.html。Dziuban，C.D.，Shirkey，E. C.，1974.什么时候相关矩阵适合因子分析？一些决策规则。Psychol. Bull. 81（6），358. https://doi.org/10.1037/h0036316.Furukawa，T. A.，Horikoshi，M.，Fujita，H.，Tsujino，N.，真宁河，卡科，Y.，Ogawa，S.，佐藤，H.，北北川，Shinagawa，Y.，Ikeda，Y.，Imai，H.，Tajika，A.，Ogawa，Y.，Akechi，T.，山田，M.，Shimodera，S.，Watanabe，N.，Inagaki，M.，Hasegawa，A.，2018年重度抑郁症患者在智能手机认知行为治疗期间完成的认知和行为技能练习：一项随机对照试验的二次JMIR Ment.健康5（1），e9092。https://doi.org//mental.9092.Gorsuch，R.L.，2014.因子分析：经典版，第2版。https://doi.org/10.4324/9781315735740。Harman，H.H.，琼斯，W.H.，一九六六年通过最小化残差（minres）进行因子分析Psychometrika 31（3），351-368. https://doi.org/10.1007/BF02289468网站。哈里斯，宾夕法尼亚州，泰勒河Thielke，R.，Payne，J.，Gonzalez，N. Conde，J.G.，2009.研究电子数据捕获（REDCap）-元数据驱动的方法和工作流程提供翻译研究信息学支持的过程J. BioMed. 告知。42（2），377-381。https://doi.org/10.1016/