数字心理健康干预展现出了应用前景，但尚未达到预期效果。研究人员探讨了先导研究的可喜结果与随机对照试验（randomized controlled trials，RCTs）零发现之间的差距，重点关注两大方法路径：即时复发预防和即时自适应干预。研究人员提出，复发预防将受益于能够捕获新发发作的长期研究，并提出了一种包含因果检验的自适应干预新框架，以推动数字干预迈向有效试验。
**标题：数字心理健康干预在日常生活中的有效试验——从方法学差距到因果导向的试验框架**
## 一、研究背景与问题
世界卫生组织期待数字干预能够应对当前医疗卫生挑战并变革健康预防与治疗模式。在心理健康领域，数字干预不仅具有可扩展性，还具备独特优势：一方面，精神健康问题常以有害行为（如饮酒、回避行为）作为核心分类标准和干预起点，数字干预可直接针对这些行为；另一方面，精神障碍症状具有情境依赖性，常在特定环境中出现并随时间波动，因此需要在相关环境背景下进行评估和干预。过去数十年技术进步极大推动了心理移动健康（mental mHealth）干预的发展，研究人员称之为“mHealth工具箱”，其核心能力包括通过智能手机和可穿戴设备在日常生活中的实时监测与实时分析。基于此，研究者提出两条主要路径：即时复发预防（just-in-time relapse prevention）和即时自适应干预（just-in-time adaptive interventions，JITAIs）。前者旨在早期识别高风险状态（如即将出现的抑郁或躁狂发作）并及时提供传统治疗；后者则在检测到个体易感时刻后触发微干预（如正念干预以降低对酒精的即时渴求）。然而，尽管方法学潜力巨大且商业心理应用激增，这两方面进展依然有限，大多数商业应用缺乏科学验证和严格测试。核心问题在于：为什么心理mHealth尚未达到预期？研究人员聚焦于先导研究的乐观结果与随机对照试验（RCTs）零发现之间的显著差距，并探讨如何将方法学进步和有希望的观察性发现转化为有效的数字心理健康干预试验。
## 二、研究方法与关键技术
研究人员基于对现有文献和自身研究经验的批判性综述，提出了一套面向有效试验的方法学框架。关键技术包括：（1）生态瞬时评估与生态瞬时干预（EMIs）结合自适应设计（如GEMCO研究采用单条目追踪情感状态并在诊断不确定日自动增加评估条目及面谈）；（2）数字表型分型（digital phenotyping）与机器学习预测建模，并强调使用统计过程控制等前瞻性算法以避免时间数据泄漏；（3）使用工具变量方法的个体内鼓励设计（Within-Person Encouragement Design，WPED，通过随机鼓励作为工具变量推断因果效应）；（4）多相优化策略（Multiphase Optimization Strategy，MOST）中的析因设计（factorial ANOVA）和序贯多假设随机试验（SMART）用于干预组分筛选与自适应策略测试；（5）传统RCT作为最终疗效验证手段。样本队列来源包括MONARCA I和II（6/9个月）、BipoLife（21个月）、Recode（12个月）、RADAR（12个月）、GEMCO（24个月）等多项观察性及干预性研究队列，以及SELFIE-RCT（针对童年逆境青少年自尊改善的混合式自适应EMI试验）等。
## 三、主要研究结果
### （一）先导研究与RCT失败之间的差距
研究人员指出，先导研究的阳性结果未能转化为成功的RCT结局，原因可归纳为三大类：第一，关于数字干预的“美好迷思”与实施负担。元分析显示70项RCT中仅34%用户完成全部干预，行业数据更显示约75%用户仅登录10次即弃用。生态瞬时干预和JITAI本身具有较大负担，而混合设计（如SELFIE-RCT结合三次面对面会谈）和游戏化元素可能提高依从性，但游戏化效果的系统性证据仍缺乏。第二，α膨胀（alpha-inflation）：数字表型分析提供了大量预测因子-结局组合，如从手机数据中提取6,552个语音特征，必然产生大量假阳性。研究者建议采用潜变量整合、敏感性-特异性散点图和ROC曲线来评估临床相关性。第三，时间数据泄漏（temporal data leakage）：多水平模型在预测时使用了整个监测期的“未来”数据，而前瞻性RCT无法获得这些信息，因此需要统计过程控制等前瞻性算法。
### （二）即时复发预防的改进建议
研究者以双相情感障碍（BD）为例说明即时复发预防的潜力与困境：虽然观察性研究报告预测新发作准确率超过95%，但所有基于数字表型预测和预防新发作的RCT均告失败。为此提出三点建议：（i）确保结局参数有足够变异。许多研究周期过短，如观察性数字表型研究最常见时长仅12周，MONARCA试验中每例患者出现至少一次发作的估计概率不足20%。研究者建议研究设计应提供自然复发概率至少50%（大致对应>12个月周期）。（ii）提高金标准的时间精度。月度临床评定量表仅覆盖约两周（分类性访谈）或四天（维度性量表），导致约85%天数缺乏金标准数据。建议设计应能使数据集中每一周被可靠分类为“病期”或“心境正常期”。（iii）开发具有高效度的数字表型。许多易采集的表型（如未接来电数、Wi-Fi上传数据）构念效度低，而智慧型数字表型（如每分钟说话字数）与“言语增多或言语迫促”等诊断标准关联更高。此外，认知行为任务游戏化和结合生理测量（ECG/EEG）的前瞻性预测也有前景。
### （三）即时自适应干预的框架构建
JITAI的核心假设是日常生活方法能识别干预最需要且最有效的时机和情境。研究者强调，干预必须基于个体内（within-subject）行为机制，因为个体内与个体间关联在方法学、统计学和经验上均截然不同，生态谬误（ecological fallacy）指明的正是这种独立性。研究提出要有效开展JITAI试验必须依次完成：首先，识别行为机制并建立生态效度下的因果推断——仅靠观察性个体内相关不足以支持干预，因果推断需要相关、时间顺序、第三变量控制和方向性。WPED设计通过随机鼓励作为工具变量，已成功揭示久坐中断与情感幸福感之间的因果关联。其次，开发微干预——需要明确频率、强度、时长、类型和情境等最佳投递参数。MOST框架下的析因设计可在移动设备上高效测试多种干预组分的组合，SMART设计则用于模拟和测试适应性决策。最后，转化为数字健康应用——需遵循各国监管框架，通过传统随机对照试验（如图2F）提供疗效证据。
## 四、讨论与结论
在讨论部分，研究人员指出数字心理健康干预虽然前景广阔，但尚未达到期望。造成先导研究阳性与RCT阴性之间差距的潜在缺陷包括实施问题、α膨胀和无意的数据泄漏。对于即时复发预防，长期观察具有临床精确定义的新发发作、并纳入高效度预测因子的研究，将最有助于开发强大算法，并在未来RCT中验证疗效。对于即时自适应干预，必须采用个体内视角，明确已知因果关联以指导干预，并掌握最佳干预投递的频率、强度、时长、类型和情境等基础参数。研究人员提出的新框架为数字心理mHealth干预的有效试验提供了系统化路径，其重要意义在于将方法学严谨性引入数字干预开发全过程，有望缩小观察性发现与临床转化之间的鸿沟，推动数字心理健康干预真正实现其变革性潜力。
打赏
