数字健康慢性病管理智能O2O模式开发的随机对照试验

目的 本干预措施的目的是评估为居住在平昌郡地方政府层面的患者提供初级医疗保健和慢性病管理而开发的线上到线下 (O2O) 服务模式的有效性和效率。

该干预措施的随机对照试验将有助于验证模型，并为糖尿病和高血压患者的O2O数字医疗服务的有效性提供有价值的信息。 如果发现干预措施有效，则有可能改善患者获得护理和自我管理的机会，从而改善健康结果并降低医疗成本。 这项研究的影响也可以作为在韩国其他地区提供数字医疗保健服务的决策的可靠证据。

试验设计 这是一项随机对照试验，具有限制性、批量、分组和个体随机分配。 为了在随机化前进行抽样，研究人员计划在平昌郡招募两个目标疾病组：一组为糖尿病患者（包括糖尿病前期患者），另一组为高血压患者（包括临界高血压患者）。 总共将招募1000名参与者（每组500人），研究人员计划在招募时优先考虑控制不佳的患者。

采样的主要模式是自愿的，患者通过广告、促销活动或医生提供的信息进行注册。 一些患者将被其医生推荐并告知参加该试验，同时宣传/广告材料将张贴在参与的医疗中心（即平昌公立医疗中心和当地私人诊所、平昌当地私人医疗中心）和平昌官员网站。 传单还将通过名为村卫生委员会的志愿村卫生支持团体分发。 同时，也将从平昌的参与医疗中心（即当地医疗中心、平昌公立医疗中心）招募已诊断患有糖尿病和高血压的患者。

当符合条件的愿意参加本研究的患者到当地卫生中心进行临床检测时，其数据将定期发送给研究团队进行分块随机分配（分块：疾病、严重程度、地区）。 分配结果将通知中心/诊所，然后通知患者。 每种疾病（高血压、糖尿病）的分配比例为1:1。

研究地点干预将在韩国江原道平昌郡进行。 （平昌郡是韩国江原道的一个县。 它位于该省东部，2020 年估计人口约为 4.3 万人。） 平昌公立医疗中心附属的智能医疗中心将主要管理O2O服务，提供必要的教育和人力资源，同时接收和监控来自每个参与者和当地医疗中心的数据。

如前所述，干预措施针对平昌的患者（和边缘患者），数据是通过设备和应用程序从参与患者那里收集的，以及当患者参加（对照组和治疗组）定期随访时从当地医疗中心收集的数据。 UPS。

整体研究（包括试验设计）由首尔国立大学医学院负责管理，而O2O服务的提供和数据收集主要由平昌智能医疗中心负责。 有利益相关者开发和管理O2O模式（特别是移动应用程序、数据平台），例如江北三星医院、Huray和DKI，首尔国立大学医院以及XAIMED负责管理公共卫生HRecord（PHR） ）从患者和当地医疗中心收集的数据。

干预措施

介入O2O服务模式：

在基线综合健康检查后，每位参与者的主治医生将制定个性化护理计划。 该护理计划包括确定代表性疾病组（糖尿病、糖尿病前期、高血压、临界高血压）并确定护理强度（强化或标准）。 如果参与者同时患有糖尿病和高血压，则他们被归类为糖尿病患者。 疾病控制不佳的参与者（高血压组收缩压超过140或舒张压超过90，糖尿病组HbA1c水平超过6.5%）被分配到重症监护组。 然而，这些分类可以根据患者的临床状况进行必要的调整。

平昌智能医疗中心与医生合作，根据需要持续监控和干预。 通过O2O服务平台的管理员网页进行监控，可以监督干预组的生活日志数据。 登记的患者以自动或手动消息的形式接受干预。

- 通过应用程序传递消息：个性化教育材料：这些消息的内容是根据参与者的基线评估结果确定的。 它们由学术团体等知名组织制作的公开视频组成，并通过 YouTube 视频链接提供。

健康报告：每三个月发送一次，这些报告根据过去三个月的生活日志数据，对个人状况是否得到良好管理进行全面评估。

手动消息（短信）：手动转录基于指标的个性化消息，根据生活日志数据评估过去两周或四个星期的健康管理状态。 这些消息主要由平昌智能医疗中心起草，使用由医疗专家（医生、营养师、护士等）创建的适合每种情况的预制消息模板。 消息将在患者各自的主治医生最终确认后发送给患者。 在监测过程中，可以根据需要发送附加消息，特别是在血压或血糖水平处于警戒或危险水平或数据输入不足的情况下。

- 连续血糖监测仪（干预组）：干预组中的一些糖尿病患者将配备连续血糖监测仪（Freestyle Libre）。 该监测仪的资格是根据最近 14 天内有一半以上的近期检查记录的血糖水平未达到正常范围来确定的。 符合连续血糖监测仪资格的患者会通过智能医疗中心的短信或电话收到通知。 他们需要连接该设备两周，并建议自我监测血糖变化。 在此期间，强烈鼓励他们通过调整平时的生活方式来控制血糖水平。 如果需要，一些患者可能会在设备拆卸后两周再次接受监护仪。

- 个人健康记录 (PHR) 数据：在患者同意的情况下，主治医生可以通过参与者在诊所的个人在线数据存储 (POD) 网络视图专门访问和使用 PHR 数据。 POD 可以导入由国民健康保险服务 (NHIS) 提供的健康检查结果、病史和处方历史，所有公民都必须加入。 此外，POD 还包含基于人工智能的视网膜图像分析，能够检测眼科异常（例如青光眼、糖尿病视网膜病变）并预测心血管疾病 (CVD) 死亡风险。 它还包括另一个利用国家健康筛查数据开发的 CVD 发病率预测模型。 通过访问这些 PHR 数据，主治医生可以为患者提供有关 CVD 风险的全面咨询。

- 对照组：对照组将照常接受治疗，这是向个人提供的典型护理，无需上述额外干预。

提高干预措施依从性的策略平昌医疗中心智能医疗中心将定期提醒患者使用移动应用程序通过移动警报、通知和亲自通知来检查其医疗状况

试验期间允许或禁止的相关伴随护理 对照组和治疗组均允许照常治疗 (TAU)。 不过，研究人员认为，患者参与替代服务将是研究过程中最难解决的问题。 调查人员已将“参与另一项涉及智能健康技术的研究项目”确定为排除标准之一。 将没有资格纳入我们的研究。 同时，研究人员将通过提供信息以及对负责培训和通知患者使用服务的操作人员进行教育，进一步防止伴随护理（这可能在干预期间可能发生）

样本量 样本量使用 MDES（最小可检测效应量）方程计算。 本研究的样本量是为了以足够的统计能力检测治疗组和对照组之间有意义的差异而确定的。 鉴于总样本量为 1000 名参与者，研究人员将这一队列分为两个主要组：患有糖尿病的参与者和患有高血压的参与者。 随后，这两组中的每组将被随机分配为治疗亚组和对照组。 MDES 的计算是针对糖尿病组和高血压组分别进行的，同时考虑到每组内的独特特征和预期效果大小。

假设可以通过分块随机分配和控制变量来解释的结果变量的变异约为 50%，并假设样本为 500 名受试者，分配比例为 5:5，统计显着性水平为 5%，功效为80% 时，MDES 为 0.216。 如果研究人员假设可以通过分块随机分配和控制变量来解释的结果变量的变异约为 25%，则 MDES 为 0.187，这仍然是较高的准确度。 假设可以通过分块随机分配和控制变量解释的结果变量的变异约为 10%，则 MDES 为 0.181，精度仍然很高。 （注：Cohen (1988) 建议 MDES 0.20 为小效应量，0.50 为中效应量，0.80 为大效应量。） 因此，研究人员的目标是针对每种疾病类型招募 500 名参与者样本，每个疾病组的治疗与对照比例为 5:5

招聘 有两个同时进行的招聘程序，每个程序都有轻微的区别。 程序 1 主要针对先前诊断为糖尿病、糖尿病前期、高血压或临界高血压的患者。 程序 2 针对曾接触过我们的促销和广告活动的受访者。 对于自愿要求参加的受访者，他们的资格将在以下情况下得到确认：1) 之前被诊断患有糖尿病、边缘性糖尿病、高血压或边缘性高血压（有诊断证明）或 2) 新诊断出患有任何这些疾病通过此干预程序中包含的全面健康检查。

干预措施的分配：分配序列生成将使用计算机生成的随机序列对参与者进行随机分配。 本研究将采用限制性、批量、分组、个体随机分配。 筛选参与者资格后，将联系每位合格的参与者以获得知情同意。 同意参与的人员将前往当地医疗中心（或智慧医疗中心）详细了解服务、签署协议、接受使用移动应用程序的培训并回答调查。 患者在诊所接受临床检测后，患者名单和检测结果会定期发送给研究团队。 研究团队根据疾病、严重程度和地区定期进行分组随机分配。 分配结果由研究团队通知中心和诊所，然后通知患者。 该流程旨在与O2O服务流程保持一致。

隐藏机制 实施分配顺序的机制是使用中央电话和电子邮件。 在研究团队通知他们之前，医护人员和参与者不会知道分配情况。

实施 研究团队将生成分配序列，并将分配结果直接传递给中心和患者。 平昌公立医疗中心智能医疗中心的工作人员将招募参与者并分配参与者进行干预。

干预措施的分配：盲法 谁将被盲法 一旦进行随机分配，本研究将不会进行盲法。

数据收集和管理 结果评估和收集计划

数据质量保证：

为了确保调查数据的完整性，调查人员实施了多个流程来提高数据质量。 首先，研究人员计划通过交叉引用参与者的电话号码和出生日期来采取重复风险缓解措施。 此步骤有助于识别和纠正任何重复的条目，从而保持数据集的准确性和唯一性。

其次，我们的评估人员将接受严格的培训，以有效地进行调查。 研究人员制定了一份全面的手册指南来标准化数据收集程序。 本指南是我们评估人员的宝贵资源，可确保一致性并遵守既定协议。

此外，在干预开始之前，评估员还将进行干预前会议。 在本课程中，他们将接受数据收集流程的培训，确保他们熟悉调查工具和问卷。

此外，我们的智能医疗中心作为呼叫中心发挥着关键作用，可以及时解决数据收集过程中可能出现的任何问题或疑问。 这种持续的支持机制有助于在整个研究过程中保持数据质量。

研究仪器：

为了收集数据，调查人员制定了调查问卷和访谈指南。 这些仪器经过精心设计，借鉴了符合临床指南的健康结果指标。 这种一致性确保我们的数据收集工具既相关又全面，使我们能够捕获与我们的研究目标相关的重要信息。

我们对数据质量和研究工具稳健性的承诺巩固了所收集数据的可靠性和有效性，确保了我们研究结果的可信度。

数据列表 本研究收集的数据可分为“随机‘分配’记录”、“基线”、“结果”、“服务利用数据”、“服务成本数据”。

计划促进参与者保留并完成后续行动

研究团队在管理任何污染或脱落的同时保持随机分配的完整性的策略如下：

• 进行大约一周的试点随机分配，以发现任何问题。
• 考虑按组的样本大小，持续检查治疗组 (T) 和比较组 © 的大小，以监测非随机分配的可能性。
• 不合格申请人的随机分配问题：如果在T和C中均被发现，则从样本中剔除；如果仅发现T，则在分析阶段将进行缺席调整。

• 对照组污染：

  1. 识别参与者造成的污染与操作员造成的污染
  2. 操作人员教育
  3. 尽量减少操作员和参与者之间的面对面接触
  4. 研究团队将随机分配结果直接通知参与者
• 交叉：当控制器再次申请随机分配时。 不要从样品中取出，而是在分析阶段作为未出现调整进行处理。

现场操作人员（即智能医疗中心和平昌公立医疗中心的工作人员）将定期检查患者，提醒他们使用移动应用程序，同时通过应用程序通知和电子邮件自动通知患者服务使用。 当参与者请求停止时，他们将被要求填写跟踪调查，并在停止时收集他们的医疗记录（来自医疗中心和国民健康保险服务）。 对于偏离的参与者，当发现偏离时，将收集医疗记录（来自医疗中心和国民保险服务）。

数据管理

每个流程的数据管理计划如下：

数据输入：所有数据将使用电子数据采集（EDC）软件输入。 两个独立的操作员将执行双重数据输入以确保准确性。

编码：将创建编码手册以确保编码的一致性。 所有编码数据将由第二个操作员验证准确性。

安全性：对数据的访问将受到密码保护，只有授权人员才能访问。 数据将存储在定期备份的安全服务器上。

存储：数据将以电子格式存储。 数据将存储在位于研究机构内的安全服务器上。

数据质量流程：将执行范围检查以确保数据值落在可接受的范围内。 将执行数据清理程序以纠正任何差异或丢失的数据。 在分析之前，研究团队将验证最终数据集的完整性和准确性。

备份和归档：定期对数据进行备份，以确保系统出现故障或丢失时数据的完整性。 最终数据集的副本将存档在安全位置以供将来参考。 根据生命伦理与安全法施行细则第15条规定，所有与研究相关的记录和数据将自研究结束起保存三年。

数据处置：首尔大学作为负责保存的机构，将根据《个人信息保护法施行令》第16条规定，在存档三年后对包含个人信息的数据和文件进行处置。

保密

研究人员将通过知情同意书、医疗记录和调查问卷收集潜在参与者和登记参与者的个人信息。 调查人员将确保所有个人信息均被安全存储并仅由授权人员访问。 研究人员将仅与研究团队和监管机构共享个人信息，并且研究人员将通过密码保护访问或加密来进行共享，以确保机密性。

具体协议如下：

向参与者提供充分的解释，如果自愿同意，则签署书面同意书以参与研究。

对于可识别个人信息的信息，我们将予以保密。

如果参与者询问测试结果，可以提供信息。 参赛者的数据文件将保存在数据管理人员的服务器上。 该服务器仅供主要研究者、研究人员和合作研究人员访问，并且文件已加密。 因此，除了参与本研究的人员之外，无法访问。

研究过程中收集的数据文件将提供给第三方（韩国政府卫生福利部国家健康智慧管理研究与发展司）并提交至数据平台（大数据和个人数据存储库） ）由该部门设立。 在此过程中，通过应用该部门开发的集成认证系统和DID（Decentralized Identifier，一种基于区块链技术的分布式识别技术）系统来保护个人信息。

统计方法 对于主要和次要结果的分析，研究者将采用ITT（意向治疗）和回归调整影响估计。

在数据允许的情况下（尤其是对照组的数据），研究者还将进行时间序列效应分析。 程序效应的发生以及这些效应如何随时间变化是从这项实验研究中得出的重要信息。 分析计划效果的时间轨迹至关重要，因为影响的时间和计划的性质可能会根据疾病的严重程度或患者的行为模式导致不同的变化模式。

在随机实验中，随机分配的程序和对照组之间的可比性随着时间的推移保持一致。 因此，分析项目效果的时间序列变化可以通过在每个时间点应用截面分析方法（即式（1））来实现。 为了调查项目效果在多个时间点的时间序列变化，应在每个时间点测量因变量（结果变量）以重复估计项目效果。 需要注意的是，在方程（1）中，随时间变化的变量只是因变量，而程序变量和控制变量保持不变。 这是因为，程序组和对照组之间的区别不应随时间而改变，并且应在随机分配之前获得控制变量。

此分析的一个重要考虑因素是所提到的“时间”是相对的，而不是绝对的。 它是相对于随机分配日期而不是绝对日历年来衡量的。 因此，评估人员将记录所有样本成员的随机分配日期，并将其整合到分析数据集中。 从行政统计数据库获得的因变量也应根据随机分配日期转化为相对时间变量进行分析。

处理方案不遵守情况的分析方法以及处理缺失数据的任何统计方法

治疗组中的拒绝者：如果不遵守方案，特别是如果有人拒绝指定的治疗，研究人员将估计局部平均治疗效果（LATE）。 由于不会向对照组提供应用程序，因此对照组中不存在“拒绝者”的可能性。 因此，研究者将简单地将 ITT 除以遵守率。

LATE= ITT/（遵守率（治疗组）） 为了解决感兴趣变量的缺失数据，研究人员将使用缺失虚拟方法，特别是采用虚拟变量调整。 此方法涉及创建虚拟变量来解释丢失的数据，然后将这些虚拟变量作为协变量包含在我们的分析中。 这种方法使我们能够补偿缺失的数据并保持分析的完整性，同时最大限度地减少缺失观察对结果的影响。

监督和监测 协调中心和试验指导委员会的组成 主要实体的组成和角色：O2O 服务是由“智慧医疗中心”人员和位于每个患者初级保健诊所的医疗保健专业人员之间的合作精心策划的。 智能医疗中心在平昌郡公共卫生中心 (PHC) 的领导下运营，由我们专门的研究人员团队和 PHC 工作人员组成。

数据监测委员会的组成、其作用和报告结构数据监测委员会（DMC）由评估团队的成员组成，确保拥有多样化的专业知识来监督试验的数据和流程。 数据监测委员会在维护试验数据的完整性和质量方面发挥着关键作用。 其职责包括每月进行监测和反馈会议，以评估试验的进展和对方案的遵守情况。 数据监测委员会直接向首席研究员 (PI) 报告其调查结果，提供宝贵的见解和建议，以提高试验的有效性和安全性。

重要的是，数据监测委员会的运作独立于干预本身。 其成员不直接参与参与的医疗中心和平昌智能医疗中心。 这种独立性确保了对试验进展和安全性的公正评估和决策。

不良事件报告和危害 预计与试验干预或试验实施相关的不良事件或意外影响的可能性不会很高。 然而，如果确实发生此类情况，我们的响应协议是完善的。 任何征求或自发报告的不良事件将立即报告给监督试验的首席研究员 (PI)。 同时，这些事件将报告给首尔国立大学医院 (SNUH) 机构审查委员会 (IRB) 委员会，该委员会是负责监督试验的伦理和安全方面的监管机构。 一旦收到不良事件或意外影响的通知，我们将采取相关且适当的行动予以回应。 这些行动可能包括进一步调查、调整试验行为或任何必要的修改，以确保参与者的安全和试验的完整性。