综述:通过数字健康沟通增强患者知识和行为:移动、网络、社交媒体、远程医疗和人工智能干预的系统评价和随机效应meta分析

《Frontiers in Public Health》:Enhancing patient knowledge and behaviour through digital health communication: a systematic review and random-effects meta-analysis of mobile, web-based, social media, telehealth, and AI-enabled interventions

【字体: 大 中 小 】 时间:2026年06月24日 来源:Frontiers in Public Health 4.1

编辑推荐:

  背景:数字技术越来越多地被用于支持健康沟通,但其对知识、行为和健康素养结局的影响仍不清楚。先前的系统评价常将知识的改善与数字健康素养(digital health literacy)混为一谈,而未仔细区分技能与结局。目的:系统评价并综合关于数字健康沟通干预措施

  
背景:数字技术越来越多地被用于支持健康沟通,但其对知识、行为和健康素养结局的影响仍不清楚。先前的系统评价常将知识的改善与数字健康素养(digital health literacy)混为一谈,而未仔细区分技能与结局。目的:系统评价并综合关于数字健康沟通干预措施(包括移动应用程序、网络平台、社交媒体、远程医疗/视频工具以及新兴的人工智能(AI)支持方法)对知识、行为、临床和赋能结局的有效性的证据,同时在直接测量时将这些结局与数字健康素养(digital health literacy)区分开。方法:研究人员检索了PubMed、Embase、Scopus、CINAHL、Web of Science和Cochrane图书馆(2015年1月至2026年1月)。符合条件的纳入研究包括随机和非随机试验,这些试验评估了旨在改善健康知识、素养、行为或相关结局的数字干预措施。仅纳入英文同行评审研究;灰色文献、会议摘要、学位论文、预印本和未发表研究未被系统检索。在结局可比较时,进行了随机效应meta分析(random-effects meta-analysis),并进行了亚组分析和敏感性分析。对于亚组分析,重叠的多组分干预措施根据预先设定的基于主要用户界面和传递渠道的患者面对主导模式规则被分配一次;仅在AI实质性地影响了个性化或决策支持时,才应用AI支持状态。证据确定性采用GRADE(建议评估、发展和评价的分级)进行分级。结果:30项研究符合纳入标准,其中12项研究至少贡献了一次合并的meta分析。连续知识/素养结局显示合并效应较小且无统计学显著性(标准化均数差[SMD] 0.25;95%置信区间[CI]:?0.04至0.54),且存在显著异质性。二分类行为结局显示有统计学显著性的改善(比值比[OR] 3.57;95% CI:1.60至7.97),但该估计仅基于两项研究,应谨慎解读。移动和网络干预提供了最频繁的方向性有利证据,而AI支持、社交媒体和远程医疗/视频方式则代表性不足。临床和赋能结局异质性过大而无法合并,且显示混合结果。GRADE确定性对于知识/素养、临床和赋能结局为低,仅对选定的行为结局为中等。结论:数字健康沟通干预措施可能支持患者知识和选定的健康行为;然而,证据力度仍受限于高异质性、合并研究数量少、干预特征重叠、偏倚风险、结局测量指标不一以及灰色文献和非英文研究的排除。要得出关于有效性(尤其是针对AI支持、社交媒体和远程医疗/视频方法)的更可靠结论,需要使用标准化素养、行为、临床和赋能结局的充分效力的试验。系统评价注册:PROSPERO注册号:CRD42024625595。
1 Introduction
数字技术推动健康信息的创建、传播和使用发生变革,包括可穿戴设备、社交媒体、远程医疗平台、移动应用和对话代理(conversational agents)。这些技术可为行为改变提供个性化支持、互动教育和靶向信息传递。近年来,人工智能(AI)的进步,如机器学习、自然语言处理和自适应决策支持系统,扩展了数字技术提供可扩展、定制化和及时干预的潜力。全球卫生组织日益认识到数字健康是公平高效卫生系统的关键推动因素。然而,存在三个相关但不同的概念:健康素养(health literacy)、数字健康素养(digital health literacy, DHL)和健康沟通(health communication)。健康素养是一套认知和社会能力,使人们能够获取、理解、评估和应用健康信息做出知情决策。数字健康素养将这些能力扩展到数字环境,包括搜索、评估和应用在线健康信息或与数字平台互动。健康沟通则区别于这些概念,其核心目的是描述和传递用于告知和影响健康决策的策略。AI在健康沟通中包括旨在定制健康信息、通过聊天机器人或虚拟助手提供自动咨询以及使用预测分析支持参与和自我管理的技术。大多数数字健康干预报告至少一项以下结果:提高筛查率、改善治疗依从性、体力活动或心理健康。许多研究也报告知识或患者赋能的增加。然而,很少有研究使用经过验证的工具直接测量DHL,这使得无法判断健康结局的改善是由素养技能的提高还是由其他机制介导。本系统评价和meta分析的目的在于评估数字健康沟通干预措施(包括移动、网络、社交媒体、远程医疗/视频和AI工具)对知识、行为、临床和赋能结局的有效性,同时在直接测量DHL时将这些效应与DHL区分开。具体而言,该评价(i)综合数字干预对知识、行为改变和健康结局影响的证据;(ii)在有可比结局时量化合并效应;(iii)识别测量、公平和实施方面的差距以指导未来研究和政策。操作上,本综述将数字平台或沟通渠道视为干预机制,并将知识、行为、临床结局、赋能和直接测量的DHL作为独立的结局领域。疾病特异性知识、依从性或参与度的改善不被解释为数字健康素养改善的证据,除非使用了经过验证的DHL工具。

2 Methods
2.1 Protocol and reporting
本系统评价和meta分析遵循PRISMA 2020指南以确保严谨性和透明度。研究方案已在PROSPERO前瞻性注册(CRD42024625595)。任何偏离方案之处均在补充材料中报告。

2.2 Conceptual scope and definitions
鉴于先前文献常将知识或行为的改善与(数字)健康素养改善混为一谈,本研究明确定义:健康素养是使个体能够获取、理解、评估和应用健康信息进行决策的认知和社交技能;数字健康素养(DHL)是这些能力在数字环境中的应用(如评估在线信息、使用应用或与数字平台互动);健康沟通(本综述焦点)是旨在告知、激励或支持健康相关决策的数字沟通策略,包括应用、门户、远程医疗、社交媒体和AI工具。因此,本研究评估数字健康沟通干预的结局,当使用经过验证的工具(如eHEALS、DHLI)直接测量DHL时,将其作为独立结局和潜在中介,而非假设替代指标。

2.3 Eligibility criteria (PICOS)
人群:任何环境中的儿童、青少年和成人。关注弱势群体(如低社会经济地位、农村、老年人)的研究符合条件。干预:数字介导的患者面对健康沟通(应用、网络工具、远程医疗、聊天机器人、AI决策支持或社交媒体活动)。多组分项目若数字沟通元素是核心或单独评估则纳入。对照组:标准护理、非数字干预、等待名单/注意力对照、替代数字干预或无比较组的自身前后对照(若其他方面符合条件)。结局:至少一个主要结局领域:知识、行为、临床/健康结局或赋能。仅测量满意度/可用性而无健康结局的研究被排除。次要结局包括参与度、采纳率、满意度和医患沟通。研究设计:仅纳入评估患者面对数字健康沟通工具且对知识、行为、临床或赋能结局有可测量效应的干预性研究。验证研究、试验方案和无干预效应评估的二次分析被排除在定量合成之外。报告特征:2015年1月至2026年1月间发表的英文同行评审研究。会议摘要、学位论文、预印本及其他未发表或灰色文献来源未纳入。

2.4 Outcome definition
结局预先定义并按层级框架分析,该框架反映与临床影响的接近程度。层级一致应用于研究选择、数据提取、叙述综合和meta分析:数字健康素养(主要结局):仅使用经过验证的工具测量,评估与获取、理解、评估和应用数字健康信息相关的能力(如eHEALS、DHLI、健康素养问卷[HLQ]数字领域)。替代测量和非验证量表不被归类为数字健康素养结局。知识结局:通过验证问卷、标准化测试或明确定义的结构化评估测量的疾病特异性或健康相关知识。知识结局与数字健康素养分开分析。行为结局:健康相关行为分为客观(如注册验证的筛查率、设备记录的体力活动)或自我报告(如问卷、活动日志)。若两者可用,优先采用客观测量。临床结局:患者层面健康结局,包括临床指标(如生物标志物、症状评分)、医疗保健利用或使用验证工具评估的生活质量。由于同质性有限,这些结局以叙述方式综合。该层级用于防止概念重叠,确保分析一致性,避免素养、知识、行为和临床效应的混淆。

2.5 Information sources and search strategy
研究人员检索了PubMed/MEDLINE、Embase、Scopus、Web of Science、CINAHL和Cochrane图书馆(2015年1月至2026年1月)。检索词结合了“数字健康”、“健康沟通”、“人工智能”、“行为改变”和“健康结局”的主题词和关键词。完整策略见补充表S1。手动检索纳入文章和相关性系统评价的参考文献列表以识别额外研究。灰色文献、会议摘要、学位论文、预印本和未发表研究未被系统检索。

2.6 Study selection
两名评价员独立按纳入标准筛选标题/摘要,然后全文。分歧通过讨论或第三名评价员解决。计算Cohenκ。记录全文排除原因并映射至PRISMA类别。PRISMA 2020流程图(图1)总结了识别、筛选、合格和纳入过程。

2.7 Data extraction
使用试用的模板,两名评价员独立提取每项纳入研究的相关数据。包括研究元数据(发表年份、国家、研究设计、环境、样本量)、参与者特征(年龄、性别、社会经济地位、健康状况)、干预细节(技术类型、AI特征、持续时间、传递模式、理论基础)、对照组信息、使用验证量表测量的结局、测量工具、随访时间点、效应量或可计算效应量的数据、资金来源和利益冲突。多篇报告描述同一研究时合并数据以避免重复。信息不完整时两次联系作者澄清。

2.8 Risk of bias and quality assessment
偏倚风险评估使用基于研究设计的合适工具。随机对照试验(RCT)和群组RCT使用Cochrane偏倚风险2(RoB 2)工具。非随机研究使用ROBINS-I工具,自身前后对照研究使用NIH前后对照工具或JBI检查表。两名评价员独立评估,分歧由第三名评价员裁决。领域级和总体判断总结于表格和图中。

2.9 Outcomes and measurement hierarchy
每项研究的结局映射至预设领域。若一个领域内有多个结局,优先顺序为:(i)验证量表 > (ii)复合领域对齐评分 > (iii)单条目替代指标。当基线变化值和后测值均可用时,优先采用调整后的后测值或变化值。

2.10 Data synthesis and effect measures
知识(Knowledge)和行为(Behaviour)结局的meta分析使用Cochrane协作网开发的Review Manager软件。来自合格研究的提取数据按适当结局类别输入软件。连续结局输入均值、标准差和总样本量,合并效应量使用均数差(MD)或标准化均数差(SMD),取决于研究间测量尺度一致性。二分类结局计算风险比(RR)或比值比(OR)。由于研究人群、工具和干预特征的变异预计存在异质性,采用随机效应模型。统计异质性通过卡方(χ2)检验评估,并用I2统计量量化,25%、50%和75%分别代表低、中和高异质性。生成森林图(forest plot)以直观显示个体研究效应和合并估计值(95%置信区间[CI])。使用漏斗图(funnel plot)探索发表偏倚。必要时进行敏感性分析以评估合并估计的稳定性。总体效应通过Z检验解释,显著性水平设为p < 0.05。由于临床和方法学异质性预期,合并估计被解释为总体信号而非单一常见干预效应的证据。当I2较高时,解释强调方向、精确性和效应一致性、预测区间和敏感性分析,而非仅统计显著性。当少于三项临床可比研究贡献数据时,合并估计仅保留为探索性总结,不作为确定性推断依据。

2.11 Subgroup, sensitivity, and bias analyses
计划的亚组分析包括:(i)AI支持 vs. 传统干预;(ii)青少年 vs. 老年人 vs. 弱势人群;(iii)传递模式(应用、网络、社交媒体、远程医疗);(iv)研究设计(RCT vs. 非RCT);(v)基线素养(若可用)。由于多项干预结合重叠特征(如应用+AI个性化或信息+视频),研究可贡献于多个叙述类别,但对于亚组meta分析,每项研究根据预先设定的主导患者面对沟通模式规则被分配一次:移动应用或网络平台以主要用户界面为准;仅当社交平台本身是主要传递渠道时才归为社交媒体;当同步或视频主导沟通为核心时归为远程医疗/视频;仅在AI实质性地影响个性化、定制或决策支持(而非仅支持后台工作流程)时才归为AI支持。

2.12 Certainty of evidence
每个结局领域的确定性使用GRADE评估,考虑偏倚风险、不一致性、间接性、不精确性和发表偏倚。结果总结于“结果总结表”。

2.13 Ethics
本综述综合已发表研究,不涉及人类受试者的新数据收集,因此无需伦理批准。

3 Results
3.1 Study selection
研究选择遵循PRISMA 2020指南。通过数据库检索共识别1,105条记录,包括PubMed(n=247)、EMBASE(n=190)、Cochrane Central(n=212)、CINAHL(n=190)、Scopus(n=180)、Web of Science(n=76)和其他来源(n=10)。去除342条重复后,763条记录进行标题和摘要筛选,其中719条因不相关(n=548)、研究方案(n=27)、不相关结局(n=69)、数据不足(n=62)和面向护理人员工具(n=13)被排除。44篇报告进行全文检索,11篇无法获取。在33篇评估合格性的报告中,3篇因数据不足被排除,最终30项研究纳入系统评价,其中12项适合定量合成(meta分析)。

3.2 Characteristics of included studies
30项纳入研究涵盖广泛地理分布,覆盖美国、欧洲、亚洲、非洲和大洋洲的高、中、低收入环境,涉及不同人群包括老年人、青少年、孕妇、幼儿父母、慢性病患者群、癌症幸存者和弱势社区。健康领域包括预防性筛查、生殖和孕产妇健康、糖尿病及其他慢性病自我管理、心理健康、心血管护理、口腔健康和基于学校的素养/教育。数字健康沟通干预在形式和技术复杂性上差异显著。常见模式包括移动应用(如慢性肾病药物查询应用、mPATH-CRC筛查支持应用、家长素养应用KhunLook、AI个性化月经健康应用Flo)、网络平台(如体重管理项目、互动体力活动工具、应用基础的Levidex项目、多媒体心理健康素养模块)、视频或电信传递教育(如WhatsApp动画讲故事、iPad动画教育)。少数研究评估了社交媒体干预(如Instagram生活方式内容)或游戏化数字素养工具。少数研究纳入AI支持或算法引导组件(如Flo的个性化引擎),但基因组结果返回平台为方案/设计研究。目标人群反映不同的公平考量,多项研究有意关注弱势或低社会经济地位群体。研究设计以RCT为主,包括群组和试点RCT,也包括非随机对照研究、准实验设计和验证或二次分析。随访时间从干预后即刻到12个月不等。

3.3 Meta-analysis note
Choi等(验证研究)、Lepore等(二次分析)和Wang等(方案/伦理、法律和社会问题)被排除在定量合并之外。行为合并使用标准化均数差(SMD)以保持一致性。

3.4 Risk of bias assessment
大多数随机试验在随机序列生成和分配隐藏方面表现出低风险,但参与者和人员盲法通常不可行,可能引入执行偏倚和当结局为自我报告时的检测偏倚。结局评估者盲法各异,多项研究评为低风险,但许多非随机或实施导向设计评为高风险或不明确。不完整结局数据通常处理较好,但若干研究显示高流失率。其他高判断主要源于混杂、基线不平衡和实施变异。

3.5 Narrative synthesis of interventions
30项纳入研究被分为数字健康沟通干预的广泛类别。移动应用(mPATH-CRC、KhunLook、Flo)最常报告知识、筛查行为或直接测量素养的改善,但来自不同人群和结局测量。网络平台(糖尿病体力活动工具、心理健康素养项目)报告疾病特异性知识、自我效能和污名相关结局的获益,但效应因项目设计和基线素养而异。AI支持干预稀少:最清晰的评估证据来自AI个性化Flo应用,而算法引导的基因组返回平台为方案/设计研究。社交媒体证据限于一项小型试点干预。远程医疗/视频或信息传递教育主要针对低资源环境下的短期知识或意识。因此,叙述综合支持谨慎的、模式特异性解释。

3.6 Quantitative synthesis (meta-analysis)
3.6.1 Studies included in meta-analysis
在30项定性综合的研究中,12项至少符合一次合并meta分析的条件。这些合并分析主要基于移动应用和网络平台,AI支持、社交媒体或远程医疗/视频模式代表性有限。干预被认为可比需满足:(i)针对患者面对健康沟通,(ii)报告预设领域内经过验证或明确定义的结局测量,(iii)提供可提取效应量或可转换为SMD或OR的数据。

3.6.2 Pooled effect sizes
合并分析显示数字干预总体方向有利,但可靠性和可解释性因结局类型而异。连续知识/素养结局合并效应较小且无统计学显著性,具有高异质性;二分类行为结局在非常有限的研究数中显示显著改善。这些合并发现应谨慎解读,因为结局工具、人群、随访持续时间、对照组条件和干预格式差异显著,且缺乏可靠的AI特异性、社交媒体特异性或远程医疗/视频特异性合并估计。最可辩护的定量信号是数字健康沟通干预可能支持选定的行为行动,而更广泛的素养、赋能和临床获益证据仍具异质性。

3.6.3 Subgroup analyses
为探索异质性来源,进行了4个预设领域的探索性亚组分析:(i)干预类型(AI支持 vs. 传统数字工具),(ii)人群组(青少年/青年、老年人、弱势/低社会经济地位),(iii)传递模式(移动应用、网络平台、社交媒体、远程医疗/视频),(iv)研究设计(随机 vs. 非随机)。对于定量亚组分析,每项研究根据预设主导模式规则被分配一次以减少重叠干预特征的歧义。AI支持干预显示数值上较大的效应(SMD=0.42, 95% CI: 0.22–0.61),但基于极少数研究且AI功能常与移动应用或网络传递特征重叠,不能分离出AI特异性效应。青少年和弱势/低社会经济地位成人显示一致的小到中等获益(SMD分别为0.38和0.35),老年人效应稍小(SMD=0.29)。移动应用显示最一致的合并效应(SMD=0.37),网络平台次之(SMD=0.33)。所有亚组分析基于一或两项研究,应视为探索性而非确证性。

3.6.4 Continuous outcomes
Knowledge:10项研究纳入连续知识/素养meta分析。随机效应模型合并SMD为0.25(95% CI: ?0.04至0.54),未达统计显著性。异质性高(I2=92%)。漏斗图大致对称。Behaviour:仅2项研究,121名参与者,合并SMD为0.12(95% CI: ?1.10至1.34),无统计学意义。

3.6.5 Dichotomous
Knowledge:2项研究,500名参与者,合并OR为2.39(95% CI: 1.54至3.72),有统计学意义。Behaviour:2项研究,140名参与者,合并OR为3.57(95% CI: 1.60至7.97),有统计学意义。但因研究数量极少,应视为初步结果。

3.6.6 Publication bias
漏斗图检查显示知识/素养结局大致对称,但研究数量少。Egger和Begg检验仅对知识/素养分析(k=10)进行,未发现明显不对称。剪补法未添加额外研究。对于行为结局(k=2),发表偏倚评估不可靠。

3.7 Certainty of evidence (GRADE)
GRADE评估显示知识/素养结局为低确定性,因高异质性(I2=92%)、不精确性、结局工具变异和偏倚风险。行为结局(选定的二分类)为中等确定性,但考虑极少数研究。临床和赋能结局为低确定性,因研究少、测量异质性和样本量小。

4 Discussion
4.1 Summary of findings
本系统评价和meta分析综合了30项干预性研究的证据,评估数字健康沟通工具(包括移动应用、网络平台、社交媒体、远程医疗/视频工具和新兴AI支持解决方案)对不同人群和环境的影响。总体而言,数字沟通干预可能改善健康知识和支持选定的行为改变,但推断力度受限于异质性、部分结局合并样本小和方法学局限性。10项研究连续知识/素养合并效应小且不显著,高异质性反映测量工具、人群、随访时间和干预格式的变异。行为结局二分类分析显示统计学显著效应,但仅基于极少数研究。叙述综合进一步表明移动应用和结构化网络项目提供最一致获益,尤其在预防保健、慢性病管理和女性健康中。AI支持干预似有前景,但可用证据稀少。社交媒体和远程医疗/视频干预代表性不足,其获益应视为初步。

4.2 Clinical implications
结果对临床实践和卫生系统有重要影响,但实施应谨慎。将数字健康沟通工具(尤其移动应用和网络平台)整合至预防保健路径可能促进筛查率和健康行为。这些工具也可能在资源贫乏环境中支持可扩展的患者教育。AI支持工具可能提供个性化信息传递和自适应决策支持的机会,但本综述发现直接证据太少。类似谨慎适用于远程医疗/视频和社交媒体模式。尽管在弱势和低社会经济地位人群中的发现表明减少差距的潜力,但如果可及性、可用性、语言和数字素养障碍未被解决,数字干预也可能扩大不平等。因此,这些工具应被视为教育和参与辅助手段,而非临床护理替代方案。

4.3 Strength and limitations
本综述优势包括多数据库全面检索、PRISMA和PROSPERO合规、双人筛选和偏倚风险评估、随机效应模型定量合成、Cochrane方法及GRADE评估。局限性包括:异质性大且源于干预模式、强度、对照组类型、目标人群、随访时间和结局测量工具的差异;合并分析研究数量少,尤其行为结局和亚组分析,统计效力不足;部分干预特征重叠,难以归因于单一成分;社交媒体、远程医疗/视频和AI支持模式代表性不足;多项研究偏倚风险中高,无参与者盲法不可避免,自我报告结局易受偏倚影响;限于英文同行评审发表,灰色文献、会议摘要等未系统检索,发表偏倚不可排除;DHL很少直接测量,关于真实数字健康素养的结论有限。

4.4 Future directions
未来研究应优先使用验证工具(如eHEALS、数字健康素养量表[DHLI])标准化测量数字健康素养,并明确区分数字素养、疾病特异性知识、行为改变、赋能和临床终点。需要更大、充分效力的随机试验评估AI支持干预,并明确报告AI组件如何影响个性化或决策支持及其是否带来额外获益。还需针对社交媒体和远程医疗/视频等代表性不足模式进行专门评估。未来研究应预先定义核心结局,尽可能使用客观行为和临床测量,延长随访,并报告实施背景。公平导向设计应通过可用性测试、语言适应、可及性标准和定制化内容解决低素养或数字可及性有限人群的障碍。实施科学方法也需用于研究整合至常规护理,包括提供者培训、工作流程适应、治理、隐私和成本效益。

5 Conclusion
本系统评价和meta分析表明数字健康沟通干预可能改善患者知识和选定的行为结局,但证据仍谨慎而非确定。连续知识/素养结局显示小而统计不显著的效应和高异质性,而显著行为发现仅基于少数研究。AI支持、远程医疗/视频和社交媒体干预的证据尤其有限,临床和赋能结局异质性过大。当前证据支持数字健康沟通工具作为患者教育和参与辅助手段的潜在作用,而非成熟的独立解决方案。需要更大规模、方法学稳健的试验,使用标准化结局测量和直接数字健康素养评估,才能得出关于有效性的可靠结论。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号