互联网干预随机对照试验中吸烟者的亚型及预测干预

互联网干预26（2021）100473一项基于网络的随机对照试验中的吸烟者亚型戒烟计划及其预测干预非使用性损耗：对制定定制干预措施的作者：A. Wiers a，b，Marilisa Boffo a，c，Raoul P.P.P. 格拉斯曼d，托马斯普龙克a，e，Helle Larsenaa成瘾发展和精神病理学实验室，心理学系，阿姆斯特丹大学，荷兰b阿姆斯特丹大学城市心理健康中心，荷兰阿姆斯特丹c荷兰鹿特丹伊拉斯谟大学心理学、教育和儿童研究系d荷兰阿姆斯特丹阿姆斯特丹大学心理学系心理学方法方案组e开放科学工具（PsychoPy）-大不列颠及北爱尔兰联合王国诺丁汉诺丁汉大学心理学院A R T I C L EI N FO保留字：吸烟者类型聚类分析非使用消耗戒烟基于网络的干预随机对照试验A B S T R A C T简介：基于网络的吸烟干预具有戒烟的潜力;然而，其中许多人报告干预使用率较低（即，高水平的非使用损耗）。应对这一问题的一个策略是，如果可以识别用户子类型并与非使用损耗结果相关，则将此类干预措施定制为用户子类型。本研究的目的有两个方面：（1）识别和描述基于网络的戒烟计划参与者的吸烟者类型学;（2）探索非使用性损耗风险较高的吸烟者亚型（即，早期辍学时间）。方法：我们对一项大型随机对照试验（RCT）的数据进行了二次分析，该试验研究了基于网络的认知偏差修正干预对成年吸烟者的影响首先，我们进行了一次两步聚类分析，根据参与者的基线特征（包括人口统计学，心理和吸烟相关变量，N=749）确定吸烟者的亚型接下来，我们进行了离散时间生存分析，以研究亚型对直至脱落时间的预测价值结果：我们发现了三个不同的吸烟者集群：集群1（25.2%，n=189）的特征是参与者相对年轻，受过高等教育，未婚，轻中度吸烟者，多种物质使用者，以及相对较高的感觉寻求和冲动得分;集群2（41.0%，n=307）的特征是参与者年龄较大，具有相对较高的社会经济地位（SES），中度到重度吸烟者和经常饮酒者;集群3（33.8%，n=253）主要是老年女性，参与者进一步的特征是SES相对较低，重度吸烟，以及相对较高的绝望，焦虑得分敏感性、冲动性、抑郁和酗酒。此外，与第2组（调整后风险比（HR调整后）=1.51，95% CI=[1.25，1.83]）和第3组（HR调整后=1.52，95% CI=[1.25，1.86]）相比，第1组更有可能在干预早期退出结论：我们确定了三组不同的吸烟者的广泛的特征和干预非使用的消耗模式。这突出了网络戒烟计划参与者的异质性。此外，它支持这样的干预措施可以针对这些亚型，以防止非使用磨损的想法。本研究中确定的吸烟者亚型需要在RCT背景之外的电子健康领域进行复制;基于本研究中确定的吸烟者亚型，我们为未来研究中制定基于网络的戒烟干预方案提供了* 通讯作者：成瘾发展和精神病理学（ADAPT）-实验室，心理学系，阿姆斯特丹大学，Postbus 15916，1001 NK阿姆斯特丹，荷兰。电子邮件地址：si-wen@hotmail.com，s. uva.nl（S. Wen）。https://doi.org/10.1016/j.invent.2021.100473接收日期：2021年5月2日;接收日期：2021年10月11日;接受日期：2021年10月14日2021年10月18日网上发售2214-7829/©2021的自行发表通过ElsevierB.V.这是一个开放接入文章下的CCby-NC-ND 许 可 证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表互联网干预期刊主页：www.elsevier.com/locate/inventS. Wen et al.互联网干预26（2021）10047321. 介绍基于网络的吸烟干预提供了向大量个体有效提供戒烟计划和服务的承诺（Abrams等人，2010年）。然而，基于网络的戒烟干预措施的主要挑战是让人们参与或让人们参与一项干预措施。例如，在许多基于网络的戒烟干预中，相当大比例的参与者从不使用干预或过早停止干预，导致使用率低（Cantrell等人，2016; Saul等人，2016; Wangberg等人，2008年）。 在2005年发表的一篇具有里程碑意义的论文中，艾森巴赫定义了这些现象被称为电子健康研究领域（Eysenbach，2005年）。虽然更多的干预使用并不自动意味着更大的干预有效性，但已经发现使用基于网络的戒烟干预的剂量-反应关系，其中更高的使用水平与更好的吸烟结果相关（参见Hutton等人，2011年进行审查）。因此，需要进一步研究非使用损耗问题，以提高吸收和持续性，从而提高基于网络的戒烟干预措施的影响。对基于网络的干预计划中的非使用损耗的解释之一是，干预可能并不总是满足患者的个人需求和偏好。例如，最近对基于网络的干预措施的审查表明，对干预形式和内容的负面看法经常被认为是高水平的非使用损耗的原因（Beatty和Binnion，2016）。在吸烟领域也发现了类似的结果。例如，在一项研究中，调查了参与者提前退出BecomeAnEX.org（一个流行的认知行为疗法（CBT）网站，戒烟），在282名调查受访者中，24%表示“干预措施没有干预要素或资源（例如，免费药物），7%的人表示“一些干预元素对我来说不舒服”，7%的人表示“干预很难使用“（Saul等人，2016年）。鉴于这些结果和以用户为中心的理论视角干预设计方法（van Gemert-Pijnen等人，2018年），非使用损耗问题可以通过根据不同用户的需求定制干预计划来解决。这一观点引起了人们对开发各种干预措施定制方法的兴趣，其中之一是确定干预措施使用者的类型，以根据他们的特点定制干预措施（例如，Batra等人，2008; delRío等人，2011年）。识别干预使用者类型的基本思想是，如果开发的干预计划与干预使用者的特征相匹配，则可以更好地满足干预使用者的特定需求。反过来，这可以导致改善干预结果，包括更好的遵守和参与水平。根据这一想法，为了降低基于网络的吸烟干预措施的非使用损耗率，调查参与此类干预措施的吸烟者亚型是重要的第一步。以前的研究已经确定了一般的吸烟者类型没有寻求帮助戒烟的吸烟者（例如，Cohn等人，2017; Furberg等人，2005; Manley等人，2009; Timberlake，2008）和参与面对面吸烟干预研究的吸烟者（例如，Batra等人，2008; del Río等人，2011年）。在以往的研究中，吸烟研究中常用的一些评估变量或治疗前的一些特征被用于研究吸烟者的类型学，如人口统计学、吸烟相关动机、行为和并发症、酒精和其他物质使用、人格因素、戒烟相关变量等;这些研究的结果表明，吸烟者是一个非常异质的群体，在这些变量上存在差异。然而，据我们所知，没有研究基于大量的治疗前特征调查基于网络的吸烟干预中的吸烟者类型学。此外，尽管在这些先前的研究中有大量的变量区分了吸烟者，但个别研究都集中在吸烟者身上。单个变量或仅几个变量（参见del Río等人，2011; Furberg等人，2005年）。为了更好地为基于网络的戒烟干预措施提供信息，重要的是要全面了解参与基于网络的戒烟干预措施的吸烟者的异质性。因此，我们的目标是通过包括在这些先前研究中区分吸烟者的广泛变量来实现这一目标。基于聚类的技术涉及识别在大量变量上得分相似的个体，并将具有几乎相同特征的个体分组为不同的亚型（Laursen和Hoff，2006）。这种方法能够揭示多维度的吸烟者特征，这可以为干预设计者提供对吸烟者类型学的更全面的印象和针对特征定制干预的多个目标，并且还可以指导基本焦点小组的形成，以帮助干预设计者开发定制干预。除了描述性的目的，类型学也被使用，因为他们预测预期行为的能力，如干预结果和自然减员（例如，Batra等人，2008年）。调查用户子类型对非使用损耗的预测能力可以帮助发现损耗风险较高的子类型。干预开发人员在设计未来的干预措施时可能需要特别注意这些亚型。然而，这一研究在基于网络的戒烟干预领域仍处于起步阶段（c。f.根据权利要求1，Beatty和Binnion，2016年）。只有少数研究调查了治疗前特征作为基于网络的戒烟干预中的非使用损耗的预测因子，并且它们主要集中在人口统计学和吸烟相关变量上（Balmford等人，2008; Bricker等人，2018 b; Cantrell等人，2016; Graham等人，2006年; Perski例如，2021; Strecher等人，2008; Wangberg等人，2008年）。这些研究表明，年轻、男性、受教育程度较低、烟草添加剂较少、不太愿意改变以及未接受其他戒烟辅助措施（例如，电子烟或药物治疗）更有可能停止使用基于网络的戒烟干预措施。此外，我们知道，几个心理因素，如物质使用相关的人格因素，如感觉寻求，冲动，绝望和焦虑敏感性，抑郁和焦虑症状，酒精和其他物质使用，已被证明与面对面吸烟干预中的非使用消耗有关（例如，Belita和Sidani，2015;Kahler等人， 2009;Langdon等人， 2016;Lo'pez-Torrecillas等人， 2014年）的报告。然而，这些心理因素尚未在基于网络的戒烟干预中进行调查。此外，这些研究使用了以变量为中心的分析方法，如多元回归，旨在调查个体因素如何与干预非使用损耗相关。这种方法的一个警告是，它假设数据是从同质人群中收集的（Laursen和Hoff，2006年）。如上所述，干预用户已经被描述为相当异构的（例如，Batra等人，2008; del Río等人，2011年）。因此，非使用损耗的决定因素可能在子类型之间不同，并且在干预用户的特定子类型中，非使用损耗的多个决定因素可能彼此相互作用。因此，为了捕捉个体内部非使用损耗的多个决定因素的组合，以人为中心的分析方法（如基于聚类的技术）更合适。本研究的目的有两个方面：（1）识别和描述参与基于网络的戒烟干预计划的吸烟者的多维类型学，以及（2）探索吸烟者亚型对非使用损耗的预测价值（即，早期辍学时间）。第一个目标是解决聚类分析，第二个目标是生存分析，以预测时间，直到退出干预。为此，我们对随机对照试验（RCT）中收集的数据进行了二次分析。在该RCT中，在成年吸烟者中检查了两种基于网络的认知偏差修正（CBM）的个体和组合效果，即注意偏差修正（AtBM）和接近偏差修正（ApBM）（Wen等人，2020年）。该RCT的使用率非常低（S. Wen et al.互联网干预26（2021）1004733×+=相反：非常高的非使用损耗率）：只有10.7%（54/504）的参与者完成了干预（即，11次建立信任措施培训班）。我们提出了几种可能性来解释本RCT中的高非使用损耗率（更详细和相关的评论可以在本报告的讨论部分和温例如， 2020年），其 中 之 一可能是我 们 采 用 的“ 一 刀 切 “ 的 方 法 ，已经用于开发干预程序（即，为所有参与者开发和提供干预，而不考虑参与者在其特征、治疗需求和偏好或障碍症状的严重性方面的个体差异）。这项研究的结果可以识别具有不同特征和非使用损耗风险的不同亚型的吸烟者，这可能会增加进一步基于网络的吸烟干预研究的依从性和参与度，以满足他们的需求。2. 方法2.1. 研究概述本研究涉及对RCT数据的二次分析，该RCT研究了两种基于网络的CBM（AtBM和ApBM）在成年吸烟者中的单独和联合效应。 关于该RCT的研究设计、程序和干预内容的详细信息可以在其他地方找到（Wen等人，2020年）。这些干预措施旨在专门改变适应不良的吸烟相关的认知偏见（即。 例如，注意力和接近对吸烟相关线索的偏见），这被认为在维持吸烟中起着重要作用。简言之，该RCT采用2（AtBM：活性vs.假手术）2（ApBM：活性 vs. sham）析因设计，导致四种干预条件。积极的AtBM被用来训练参与者不断转移他们的注意力从吸烟相关的图片和中性图片，以减少他们的吸烟相关的注意力偏差。主动ApBM用于训练参与者始终避免吸烟相关图片并接近中性图片，以减少吸烟-接近关联，进而减少吸烟相关接近偏差。在第一次访问期间，参与者在研究网站上注册，被随机分配到四种干预条件之一，提交知情同意书，完成基线评估，并接受简短的定制反馈，以提高他们在干预前戒烟的动机。所有合格的参与者被邀请返回网站完成11个CBM培训课程（他们的病情版本），并在整个研究期间完成其他五个主要评估（即，在第5次训练后的中期训练时，在第10次训练后的训练后，以及在1个月、2个月和3个月的随访时）。研究程序通过基于网络的培训课程完全自动化，所有评估课程通过基于网络的问题和计算机化任务进行自我评估。允许参与者每天进行训练，并可以自行安排训练时间表，但必须完成所有训练和评估（如果他们错过了一次训练，则将其从本研究中移除）。在干预期间，参与者可以联系研究人员提出问题或技术问题，如果他们忘记在30天内完成培训或评估课程，他们会收到多封提醒电子邮件。参与者没有因为参与本研究而获得补偿，因为他们从本研究中获得了一些免费干预，我们的目标是招募至少有一定戒烟动机的参与者（而不仅仅是经济激励）。RCT方案由学院伦理审查委员会批准 的 社会 和 行为 科学， 大学 阿姆斯特丹（参考编号：2013-DP-3047），并在荷兰注册试验注册表（NTR 4678）。2.2. 参与者从 2013 年 到 2018 年 ， 参 与 者 通 过 我 们 的 实 验 室 网 站（http://www.impliciet.eu/）在荷兰各地招募，释放（例如，电视采访，报纸，科普书籍;Wiers，2013）和口碑传播。由于随机对照试验涉及对所有成年人开放的自助干预，因此没有具体的入选标准，除了18岁和能够理解荷兰语。总共有749名合格的参与者提交了知情同意书并开始基线评估，构成了本研究的最终分析样本。2.3. 措施2.3.1. 聚类指标RCT的基线测量用于识别吸烟者的亚型，其分为六个领域：人口统计学、吸烟史和吸烟相关行为、物质使用相关人格因素、抑郁严重程度、酒精和其他物质使用以及与戒烟相关的认知动机变量。如引言所述，所有这些变量在以前的研究中区分了吸烟者，并用于了解戒烟计划中非使用损耗的个体差异2.3.1.1. 人口统计。人口统计学包括年龄、性别、最高完成教育水平（低：小学/基础职业学校，中等：中等职业学校/高中学历，高等：高等职业学校/大学学历），婚姻状况（已婚与其他），家庭月收入（2000欧元， 2000- 3000欧元>3000欧元）。2.3.1.2. 吸烟史和吸烟相关行为。吸烟史和吸烟相关行为包括吸烟持续时间（年）、每日吸烟量、烟草依赖和吸烟相关健康投诉。吸烟的持续时间通过减去从现在开始吸烟的年龄。开始经常吸烟的年龄是通过一个项目来测量的：“你开始每天吸烟的时候多大？”。每天的香烟消费量是通过一个项目来衡量的：“你目前每天吸多少支香烟？”。用6项改良的Fagerst rom耐受性问卷（mFTQ;Prokhorov et al.， 2000年）。计算加权总分以表明本研究中的烟草依赖水平（α0.72），范围为0 -6，较高的分数反映烟草依赖水平较高。与吸烟有关的健康问题是通过一个项目来衡量的：“你是否患有以下与吸烟有关的疾病？”回答选项包括呼吸问题（是与（不），和循环的困难是（Yes），否）。2.3.1.3. 物质使用相关的人格因素。使用23项物质使用风险概况量表（SURPS; Woicik等人，2009），其中包括四个分量表：绝望，焦虑敏感性，冲动性和感觉寻求。分别计算了四个分量表评分，每个分量表的平均项目评分范围为1 - 4。较高的分数反映了高水平的相应人格因素。在本研究中，四个分量表的Cronbach α（α）分别为0.90、0.67、0.68和0.66。2.3.1.4. 抑郁严重程度。使用7项贝克抑郁量表快速筛选（BDI-FS; Poole等人，2009年）。计算总分以指示抑郁症状的严重程度（α=0.82），其范围为0 - 21，其中02.3.1.5. 酒精和其他物质的使用。酒精和其他物质的使用是用核心酒精和药物调查（CADS; Presley等人，1994年）。参与者被要求说明他们使用酒精、大麻、止痛药（即，镇静剂和阿片类药物），以及S. Wen et al.互联网干预26（2021）1004734-==××兴奋剂和其他药物（即，可卡因或快克、XTC、兴奋剂或安非他明、其他俱乐部或派对药物、致幻剂和挥发物）， 医生的 处方 的 最后 月此外，Binge饮酒行为也通过一个项目来衡量，即在过去一个月（过去30天），你是否有一次喝了超过5杯（男性）或4杯（女性）？" 使用频率编码如下：酒精使用（0、1-20 、 21- 40 、 >40 次）、 狂欢饮酒（0、1 - 4、> 4天），以及大麻、镇痛药、兴奋剂和其他药物使用（0、1 - 10、> 10次）。2.3.1.6. 与戒烟相关的认知动机变量。与戒烟相关的认知动机变量包括终生戒烟尝试、改变意愿和戒烟信心smoking. 终身戒烟尝试是通过一个项目来衡量的：“在你的一生中，有多少次戒烟尝试持续超过24小时？”。准备改变是衡量与12项准备改变问卷（RCQ; Defuentes-Merillas等人，2002年）。计算总分以表明改变的准备程度（α0.66），其范围为24至24岁，分数越高，准备改变。采用视觉焦虑量表（VAS）测量戒烟信心。参与者被要求回答“你有多大信心你可以永久戒烟？””2.3.2. 非使用损耗非使用损耗定义为在所有培训课程完成之前在CBM干预期间退出。如果参与者停止使用，则在干预期间将其分类为非用户（即，一旦参与者在上次访问网站后30天内没有返回该网站，无论是接受培训还是完成评估，他们将被排除在干预之外，并且不能再返回该网站）。然后考虑参与者在被归类为非使用者之前完成的最后一次培训或评估时间点，即参与者退出干预的时刻，我们计算了截至此时完成的会话数量。2.4. 数据分析并非最终分析样本（N749）中的所有参与者都完成了用于识别吸烟者亚型的所有措施，导致缺失数据的百分比范围为0.9%至13.4%。由于基于PCR的分析无法处理缺失数据，因此通过使用R中的小鼠包（版本3.8.0;vanBuuren和Groothuis-Oudshoorn，2011）和预测平均值匹配（PMM）方法对缺失数据进行多重插补，创建50个插补数据集。鉴于可以基于50个插补数据集获得多个不同的聚类解决方案，但不可能合并多个不同聚类解决方案的结果（Bock，2021），使用R中的sjmisc包（版本2.8.7; Lüdecke，2018）将50个插补数据集合并为单个数据集进行聚类分析，如下所示：原始数据集中的每个缺失值用50个插补数据集中最频繁的插补值填充。然后将所得数据集用于后续分析步骤。为了识别吸烟者亚型，我们选择了两步聚类分析（Norusis，2008; Walsh等人，2010年），因为（a）它是一个探索性的程序，用于识别一组数据中的自然群体，其中聚类的数量不能提前确定，（b）它是唯一类型的聚类分析，可以处理连续和分类数据的组合。输入22个变量，聚类指标。在分析之前，对所有连续测量进行标准化。在第一步中，通过构建聚类特征树将原始案例分配到“预聚类”中。在第二步中，对预聚类进行标准层次聚类算法所有分析均使用对数似然法进行距离测量，以揭示自然集群。由于本研究的探索性质，我们允许两步聚类分析自动确定最佳聚类数。自动聚类程序生成一系列解决方案（默认为15个），我们使用贝叶斯信息准则（BIC）拟合和距离度量比率来确定要保留的聚类数。具体而言，我们首先基于最低BIC值选择解决方案，然后通过考虑具有较大距离度量比率的解决方案来调整解决方案。一旦最终的集群解决方案被选中，三个必要的措施被用来验证结果（Norusis，2008年; Walsh等人，2010年）。首先，凝聚力和分离度的轮廓测量值必须等于或大于零（最高为1.0），以确保集群之间存在一定的距离。其次，分别对连续聚类指标和分类聚类指标进行单因素方差分析和卡方检验，以确定单个聚类指标在聚类过程中的重要性。对最重要的聚类指标进行了事后分析（即，在总体检验中具有统计学显著性的那些），以清楚地指出它们在哪些聚类之间不同，分别对连续和分类聚类指标进行成对比较和多项分析。第三，对结果进行分半交叉验证，以确认 最 终 聚 类 解 的 可 靠 性 。 通 过 使 用 R 中 的 caTools 包 （ 版 本1.18.0;Tuszynski，2020）将完整样本随机分为两半，并在两个子样本中进行上述相同的两步聚类分析程序。如果在最终和拆分聚类解决方案中发现相同数量的聚类，并且解决方案的特征和显著性聚类指标相似，则确认验证。 我们还计算了科恩的Kappa（k）指数，以表明将参与者分配到同一组群的协议水平最终和拆分群集解决方案。探索非使用性消耗风险较高的吸烟者亚型（即，早期脱落时间），我们进行了离散时间生存分析，通过使用COX比例风险回归来预测脱落时间。时间变量是参与者完成的培训和评估课程的总数，未使用被视为失败。结局涉及至事件发生时间数据，其中事件为脱落。因此，如果参与者没有退出干预，则对结果进行删失。在生存分析模型中，我们使用了识别的吸烟者集群（即，最终的聚类解）作为预测因子，并且我们包括干预条件作为协变量。鉴于对COX比例风险回归进行了比例风险假设，在分析之前，我们通过在生存分析模型中添加最终聚类解决时间和干预条件时间的交互作用项进行了假设检验。如果发现显著的相互作用效应，则将额外的时间依赖性协变量添加到生存分析模型中。所有统计分析均采用SPSS 22.0（IBM，2013年）。所有统计学显著性检验均采用α = 0.05（双侧）3. 结果3.1. 样本描述最终样品的特性见表1。 为了测试我们最终样本的代表性，我们将我们的样本与参与先前发表的基于网络的吸烟干预（包括基于动机和认知行为策略以及基于CBM的干预）的RCT的样本进行了比较，这些RCT于2013年至2016年在荷兰进行（参见Cheung et al.，我们发现，我们的最终样本在人口统计学和与吸烟相关的变量方面与这些先前研究的参与者具有相似的特征，但教育除外。我们的最终样品S. Wen et al.互联网干预26（2021）1004735--表1聚类指标在全样本和跨聚类中的描述性统计，以及聚类比较。全部样本（N=（第749页）第1组（n=189，（25.2%）第2组（n=307，41.0%）第3组（n=253，（33.8%）F（df1，df2）/χ2（df）p值人口统计年龄（岁），M（SD）43.96（13.84）30.08（9.98）ab47.89（11.28）a（12.04）b194.20（2，<0.001（第746页）性别，n（%）10.67（2）0.005男性269（35.9）72（38.1）1126（41.0）171（28.1）1––女性480（64.1）117（61.9）a181（59.0）b182（71.9）ab––最高完成教育水平，n（%）34.15（4）<0.001小学/基础职业学校六十七（8.9）11（5.8）113（4.2）143（17.0）1––中等职业学校/高中138（18.4）40（21.2）150（16.3）148（19.0）1––程度高等职业学校/大学学位544（72.6）138（73.0）a244（79.5）b162（64.0）ab––婚姻状况，n（%）128.95（2）<0.001没结婚548（73.2）185（97.9）1162（52.8）1201（79.4）1––结婚201（26.8）4（2.1）a145（47.2）a52（20.6）a––家庭收入/月，n（%）306.79（4）<0.001<€2000246（32.8）125（66.1）13（1.0）1118（46.6）1––2000- 3000欧元187（25.0）37（19.6）176（24.8）174（29.2）1––>3000欧元316（42.2）27（14.3）a228（74.3）a61（24.1）a––吸烟史和吸烟相关行为吸烟持续时间（年），M（SD）27.44（14.04）14.33（10.62）ab（11.89）a（12.45）b158.21（2，<0.001（第746页）每日吸烟量，M（SD）16.19（8.87）13.20（7.69）a15.22（8.00）a19.60（9.61）a34.00（2，746）<0.001mFTQ（03.12（1.63）2.67（1.71）a2.98（1.51）b3.64（1.60）ab22.22（2，746）<0.001吸烟相关健康投诉，n（%）21.35（2）<0.001没有一572（76.4）160（84.7）1243（79.2）1169（66.8）1––呼吸问题和/或呼吸困难177（23.6）29（15.3）a64（20.8）b84（33.2）ab––循环物质使用相关人格因素绝望（12.07（0.66）1.98（0.60）a1.85（0.57）b2.40（0.67）ab58.34（2，746）<0.001焦虑敏感度（12.53（0.59）2.47（0.53）a2.45（0.61）b2.68（0.57）ab12.22（2，746）<0.001冲动（11.94（0.54）2.03（0.48）a1.86（0.56）ab1.98（0.54）b6.55（2，746）0.002感觉寻求（12.22（0.64）2.58（0.62）a2.17（0.57）a2.02（0.61）a48.81（2，746）<0.001抑郁严重程度BDI（0-21），男性（SD）3.85（3.34）3.80（3.05）a2.71（2.79）a5.27（3.63）a45.63（2，746）<0.001酒精和其他物质的使用1-月饮酒，n（%）238.07（6）<0.0010次90（12.0）1（0.5）a15（4.9）a74（29.2）a––1391（52.2）159（84.1）1167（54.4）165（25.7）1––21141（18.8）20（10.6）185（27.7）136（14.2）1––>40次127（17.0）9（4.8）140（13.0）178（30.8）1––1-月酗酒，n（%）266.04（4）<0.0010天250（33.4）9（4.8）a94（30.6）a147（58.1）a––1292（39.0）122（64.6）1166（54.1）14（1.6）1––>4天207（27.6）58（30.7）147（15.3）1102（40.3）1––1-月大麻使用，n（%）126.67（4）<0.0010次569（76.0）94（49.7）a246（80.1）a229（90.5）a––1122（16.3）77（40.7）138（12.4）17（2.8）1––>10倍58（7.7）18（9.5）123（7.5）117（6.7）1––1-月镇痛药使用，n（%）55.60（4）<0.0010次671（89.6）150（79.4）a296（96.4）a225（89.6）a––158（7.7）35（18.5）19（2.9）114（5.5）1––>10倍20（2.7）4（2.1）12（0.7）114（5.5）1––1个月兴奋剂和其他药物使用，n（%）168.03（4）<0.0010次633（84.5）108（57.1）a282（91.9）a243（96.0）a––1101（13.5）75（39.7）125（8.1）11（0.4）1––>10倍15（2.0）6（3.2）10（0.0）19（3.6）1––与戒烟相关的认知动机变量终生戒烟尝试次数，M（SD）4.12（3.68）3.24（2.48）ab4.53（3.83）a4.28（4.12）b7.72（2，746）<0.001RCQ（-24戒烟信心（0-10），M（SD）11.71（5.71）5.81（2.02）11.66（5.13）5.90（1.80）11.39（6.14）5.95（2.05）12.13（5.59）5.59（2.11）1.18（2，746）2.49（2，746）0.3070.084注：mFTQ=改良的Fagerst rom？m耐受性问卷。 BDI=贝克抑郁量表快速筛选。 RCQ=准备改变问卷。字母下标a和b：基于事后分析，共享字母下标的M（SD）或n（%）彼此之间存在显著差异（p<0.05）。<数字下标1：M（SD）或n（%），数字下标1表示多项分析中使用的分类变量的参考类别;多项分析在事后分析中使用分析来检验作为分类变量的函数的聚类差异包括更大比例的受过高等教育的吸烟者（即，至少高等职业学校/大学学位）比这些以前的研究（72.6%对20.2%-38.7%）。总的来说，我们最终样本的平均年龄是S. Wen et al.互联网干预26（2021）1004736=43.96（SD13.84）;女性比例过高（64.1%）;大多数参与者受过高等教育（72.6%）;他们平均吸烟27.44岁（SD=14.04），习惯吸烟16.19支/天（SD=8.87），报告的烟草依赖程度为中等（M（SD）=3.12（1.63）;范围从0到6），并表现出高水平的准备改变（M（SD）11.71（5.71）;范围从24到24）。 此外，约四分之一（23.6%）的参与者报告了与吸烟有关的健康投诉。S. Wen et al.互联网干预26（2021）1004737=3.2. 最终群集解决方案的选择和聚类分析显示了三个聚类（自动聚类统计见补充结果中的表S1）。首先，分析产生了0.1的凝聚力和分离度的轮廓测量，表明集群之间存在一定的距离。接下来，单因素方差分析和卡方检验证实，大多数聚类指标在聚类之间变化（见表1），表明聚类特征相对明确。最后，分拆的子样本代表最后的聚类解决方案，但有一些小的变化（有关两个子样本和跨聚类的聚类指标的描述性统计数据，请参阅补充结果中的表S2和S3）。此外，可靠性分析表明，相当大的协议水平（k0.71和0.65;阿尔曼，1991年）的参与者分配到相同的集群在最终和分裂集群解决方案。具体而言，当在每一半样品中分别进行时，80.7%和70.1%的样品被正确重新分类，表明最终聚类解决方案具有足够的耐用性（最终聚类解决方案的分半交叉验证见补充结果中的表S4）。因此，基于这些结果，我们接受了三集群解决方案。3.3. 吸烟者类型表1描述了最终分析样本和各聚类指标的原始均值和模态响应模式。图 1显示了标准化均值和模态响应的模式，跨集群的集群指标。后者有助于可视化同一尺度上聚类指标的比较以及不同聚类指标的差异。总体而言，除了改变的准备和戒烟的信心之外，所有聚类指标都不同。聚类1是这项研究中最小的，包括最终样本中25.2%（189/ 749）的参与者。它主要由30岁出头的年轻成年吸烟者组成。大多数参与者是女性，受过高等教育。在最后的样本中，他们最有可能是未婚的（尽管不一定是单身）。这一组中的参与者吸烟的年数明显少于其他两组中的参与者，可以被描述为轻度至中度吸烟者。 具体来说，他们平均每天吸半包香烟，并报告了低至中度的烟草依赖水平。此外，这一组的参与者表现出中度到高度的感觉寻求，（显著高于第2组和第3组）;表现出中度冲动（显著高于第二组）;并且在过去一个月里使用多种药物的可能性明显高于第二组和第三组，包括使用酒精（99.5%饮酒，95.2%报告酗酒）、大麻（50.3%）、兴奋剂（20.6%）以及兴奋剂和其他药物（42.9%）。聚类2是本研究中最大的聚类，包括41.0%（307/1000）。749)最终样本中的参与者。主要是40多岁的中年吸烟者，女性的比例略高于男性。与其他两组比较，第二组的已婚参与者（47.2%）及家庭每月收入高于图1.一、对各分组指标的标准化均值和模态反应。注：mFTQ=改良Fagerstr？m耐受性问卷。 BDI=贝克抑郁量表快速筛选。 RCQ=准备改变问卷。“女性“类别显示性别。“高等教育“类别显示的是最高教育水平。婚姻状况显示“已婚“类别。“> € 3000“类别显示为家庭收入/月。与吸 烟 有 关 的 健 康 投 诉 显 示 为 “ 呼 吸 系 统 问 题 和 / 或 循 环 困 难 “ 类 别 。喝酒在聚类分析中，最高教育水平、家庭月收入、酒精和其他药物使用的聚类指标被建模为有序变量，但为了便于列报，在本图中被编码为二进制S. Wen et al.互联网干预26（2021）1004738===-=-=-=-== × ====-×--国民平均收入约为3000欧元（74.3%），表明社会经济地位相对较高。尽管该组中的参与者一生中有2/3的时间吸烟（M（SD）），31.06（11.89）岁），他们是中度吸烟者。具体来说，平均而言，每天吸烟15.22支，据报烟草依赖程度中等。至于其他物质的使用，在过去一个月，这个群组的参与者主要使用酒精（95.1%），几乎没有使用其他药物。聚类3包括最终样本中33.8%（253/749）的参与者。与第二组的参与者相似，他们是40多岁的中年吸烟者。与其他两个集群相比，这一集群中女性的比例明显更高（71.9%），受过高等教育的参与者的比例明显更低（64%）。 虽然这组的参与者与第二组的参与者年龄相仿，但他们结婚的可能性明显低于第二组，家庭收入也明显低于第二组（仅24.1% 报道 家庭 收入/月 上述 国家大约3000欧元的模态收入），表明该集群是charac-以相对较低的社会经济地位为特征。这一组的参与者是长期的重度吸烟者：平均每天吸烟约一包雪茄，并报告中等至高水平的烟草依赖。此外，他们报告吸烟相关健康投诉的可能性明显高于第1和第2组（包括呼吸问题和循环困难：33.2%）。值得注意的是，该组中的参与者表现出中度至高度的绝望和焦虑敏感性（显著高于组1和组2中的参与者）;表现出中度的冲动性（显著高于组2中的参与者）;平均表现出轻度的抑郁障碍（显著高于组1和组2中的参与者）。在过去一个月使用其他物质方面，与第二群组相若，这群组的参加者主要使用酒精（70.8%）。但值得注意的是，他们比第一和第二组的人更有可能表现出大量饮酒的模式：45%的人在过去一个月内饮酒超过20次，40.3%的人表现出酗酒行为超过4天。3.4. 与非使用损耗相关的吸烟者亚型假设检验的结果表明，最终聚类解和协变量干预条件符合比例风险假设（最终聚类解时间：χ2（1）2.83，p0.093;干预条件时间：χ2（1）0.10，p0.748）。 因此，未添加额外的时间依赖性协变量，生存分析模型。离散时间生存分析表明，吸烟者群体成员资格是一个显着的预测时间，脱落（综合检验：χ2（2）20.90， 经<综合检验：χ2（3）1.53，p0.677，R20.02），这表明在时间上的差异，直到辍学跨越集群考虑到吸烟者群体在干预条件下的分布不均匀（χ2（6）14.23，p0.027），第1组更有可能被分配到假CBM训练条件下，我们通过在生存分析模型中添加干预条件对最终聚类解的交互作用项，进一步进行探索性分析，以考察干预条件的影响。这种探索性分析导致了不显著的交互作用最终群集解决方案和干预条件的时间，直到脱落（综合检验：χ2（6）4.46，p 0.615，R2 0.06）。因此， 吸烟者集群成员的时间，直到辍学不受影响干预条件分配。事后分析表明，无论参与者处于哪种干预条件下，第1组的参与者显示出51%早期脱落的风险高于第2组（Wald检验：χ2（1）=18.29，p0.001;校正的风险比（HR校正）1.51，95% CI<[1.25，1.83]），并且显示出较早脱落时间的风险比聚类3高52%（Wald检验：χ2（1）=17.33，p0.001;HR调整= 1.52，95% CI<=[1.25，1.86]）。 集群2和3在时间上没有差异，直到脱落（Wald检验：χ2（1）0.01，p0.934;HR调整后 0.99，95% CI[0.83，1.18]）。实际观察到的跨集群的非使用损耗曲线可以在