條文本
PDF
摘要
簡介圍產期並發症，如圍產期抑鬱和早產，是母親和兒童發病和死亡的主要原因。對高風險的預測可以使現有的預防幹預措施盡早實施。這項正在進行的研究旨在使用來自Mom2B智能手機應用程序的數字表型數據來開發模型，預測患有精神和軀體並發症的高危女性。
和分析方法所有18歲以上的說瑞典語的孕婦或產後3個月內的婦女都有資格通過下載Mom2B智能手機應用程序參與。我們的目標是招募至少5000名參與者，並完成結果測量。在整個懷孕期間和產後一年內，通過應用程序收集主動和被動數據，以努力建立參與者的數字表現型。主動數據收集包括與參與者背景信息、心理和身體健康、生活方式和社會環境以及語音記錄相關的調查。參與者的一般智能手機活動、地理移動模式、社交媒體活動和認知模式可以通過智能手機傳感器和活動日誌的被動數據收集來估計。結果將通過調查來衡量，如愛丁堡產後抑鬱量表，並通過與國家登記處的聯係，從那裏可以獲得關於已注冊臨床診斷和所接受治療的信息，包括處方藥物。先進的機器學習和深度學習技術將應用於這些多模態數據，以便開發預測圍產期抑鬱和早產的精確算法。通過這種方式，更早的幹預是可能的。
道德和傳播該項目已獲得瑞典倫理審查機構的倫理批準(dnr: 2019/ 0170，有修訂)，並完全滿足通用數據保護條例(GDPR)的要求。所有參與者都同意參加，並可以隨時退出。該項目的成果將在國際同行評議期刊上發表，並在相關會議上發表。
- 抑鬱和情緒障礙
- beplay体育相关新闻
- 母親的藥
- 圍產期學
- 預防醫學
- 焦慮性障礙
這是一篇開放獲取的文章，按照創作共用署名4.0未移植(CC BY 4.0)許可發布，該許可允許其他人複製、重新發布、混合、轉換和基於此作品的任何目的，隻要原始作品被正確引用，提供許可證鏈接，並說明是否進行了更改。看到的:https://creativecommons.org/licenses/by/4.0/．
來自Altmetric.com的統計
本研究的優勢和局限性
這項研究收集了關於真實世界中用戶行為的大規模、時間敏感的數據。
收集到的最終用戶反饋可以用於應用程序的更新和改進。
被動數據收集預計有較低的損耗率。
主動數據收集容易產生較高的流失率。
招募參與者和維護智能手機應用的前端和後端成本很高。
簡介
最佳的產婦保健在整個懷孕、分娩和產後期間都很重要，以確保母親、嬰兒和家庭有一個良好的開端，充分發揮潛力。1為了實現良好的產婦保健目標，必須解決的兩種健康狀況是圍產期抑鬱和早產，這兩種狀況影響著全世界大約每10個懷孕的人。2 3
圍產期抑鬱症
PND是一種重度抑鬱症，在懷孕期間的任何時間和產後4周內發病，4雖然在研究環境中，通常會考慮產後1年的時間。57%到13%的孕婦受產前抑鬱症影響，6產後抑鬱(PPD)估計影響了10%到20%的新產婦，2而許多婦女在整個圍產期都會經曆持續的抑鬱。7產後抑鬱不同於“產後抑鬱”，後者通常是情緒低落和焦慮的症狀，在產後兩周內消退。與重度抑鬱症一樣，PND會使人在情緒和身體上衰弱，還會帶來與懷孕和分娩相關的額外風險，如PTB、出生體重過低、先兆子癇和胎盤異常。8 - 10此外，它還與產後產婦體重殘留有關，11減少母乳喂養,12 - 14可憐的母親的睡眠15圍產期生活質量差。16產後抑鬱還會損害關鍵的母嬰關係，因為它會影響母親的照顧能力和對母親角色的適應能力，16日17並對孩子的認知、情感和行為發展產生長期影響。18 19此外，PND的特征是出現自我傷害的想法，這與長期的身體和精神疾病有關，20.產後一年內因自殺導致的產婦死亡率增加。21
PND的病因是多因素的，包括生物、遺傳、心理和社會因素，如壓力生活事件、社會支持、家庭暴力、童年逆境、抑鬱和焦慮史、自卑甚至是韌性等人格特征。15 -盡管有了這些知識，發現PND對醫療係統來說仍然是一個挑戰，一項綜述發現約30%-70%的病例沒有被發現，隻有15%得到了適當的治療。25日26日
目前的篩查方案包括愛丁堡產後抑鬱量表(EPDS)27以評估PND的風險。28然而，PND的早期發現仍然具有挑戰性，原因有很多，包括篩查實踐的不一致，29以及無法區分抑鬱症狀，因為它們與產後早期典型的軀體體驗重疊。30.此外，女性在尋求治療方麵可能會猶豫，可能是因為抑鬱症本身，也可能是因為恥辱和害怕被認為是一個不完美的母親，以及擔心在懷孕和哺乳期間使用抗抑鬱藥物。31此外，臨床篩查經常依賴於診斷相關信息的回顧性自我報告，使其容易受到與自傳體回憶相關的錯誤和偏見的影響。32
毫無疑問，需要更高效和有效的方法來預測母親的PND，以便及早發現和幹預，從而改善預後，減輕疾病負擔。33以前的研究試圖建立母親抑鬱症的預測模型，主要集中在產後期間。34-39很少有人使用社交媒體指紋40-42或生物標記36 43在他們的模型中，這些研究很大程度上依賴於心理測量自我報告和有限的模式。這些缺陷削弱了模型的預測能力，說明了為什麼必須鼓勵采用多變量、實時和不顯眼的數據收集和症狀監測方法來開發更好的預測模型。
早產
在軀體妊娠並發症中，PTB是新生兒死亡和兒童長期健康不良的主要原因，每年影響全球約1 500萬嬰兒。44 45在瑞典，PTB的發病率約為6%，46與超過10%的國際平均水平相比，這是一個相對較低的數字。44與PND一樣，PTB的病因是多因素的，包括以前的PTB、多胎妊娠、宮頸功能不全、宮內感染、妊娠中期陰道出血、體外受精、初產婦以及產婦產前壓力和抑鬱。47-50事實上，PND和PTB之間有許多風險因素重疊，如童年創傷事件或虐待、壓力生活事件、單身或缺乏社會支持、超重、吸煙和社會經濟地位低。51 52炎症被認為可能是抑鬱症和早產的潛在途徑。53
有循證幹預措施可預防或延遲PTB以優化分娩結果，如戒煙、孕酮治療、宮頸功能不全婦女環紮或使用抗生素。51 54然而，這些幹預措施取得成功的一個主要障礙是PTB的病因異質性，這使得鑒別高危婦女具有極大的挑戰性。事實上，三分之二患有PTB的婦女根本沒有任何危險因素。55現有的PTB生物診斷試驗(如胎兒纖維連接蛋白)缺乏足夠的陽性預測值。56在瑞典，對有PTB病史的婦女進行宮頸長度篩查;然而，這對初產婦沒有幫助。57
可以得出結論，任何單一的生物標誌物都不足以進行預測;因此，包括心理社會和行為因素在內的多模態數據應成為預測工作的重點。
數字表現型和大數據
像智能手機這樣的數字設備讓我們能夠在非臨床環境中捕捉到關於患者的經曆和功能的每時每刻的客觀數據。這個過程，被稱為數字表現型，58允許我們收集兩種數據:活動數據而且被動數據．主動數據是指需要用戶輸入的數據，如調查和語音記錄。被動數據是指從智能手機傳感器和活動日誌中自動收集的數據，可以用來推斷用戶的移動和睡眠模式、數字社交活動、智能手機使用模式，甚至是情感和認知變化。
“媽媽2b”智能手機應用是利用“貝微”研究平台開發的(www.beiwe.org哈佛大學公共衛生學院的教授。它可以讓我們在圍產期以更高的效率和時間敏感性捕捉數字表型數據，因為數據收集是在現實世界的背景下持續進行的，這將回憶偏差的風險降至最低。這些應用程序也可以被整合到母親的圍產期護理計劃中。一般來說，基於智能手機的數據收集的一個缺點是，隨著隨訪時間的延長，流失率會增加59；然而，這至少可以通過被動數據的持續收集部分補償。
事實上，基於智能手機的數字表現型的最大優勢之一是能夠收集多變量、大容量的數據，通常被稱為大數據。60大數據非常適合醫療保健研究，因為它可以促進對風險因素的獨特洞察，並開發更好的診斷框架61；然而，關於大數據方法用於精神疾病，特別是圍產期心理健康的文獻有限。beplay体育相关新闻62北歐國家在這方麵走在了前列——丹麥全國出生隊列，63挪威母親、父親和兒童隊列(MoBa)64和自閉症出生隊列(ABC)65以及瑞典生物學、情感、壓力、成像和認知(BASIC)隊列研究66-因為這些國家的所有孕婦都有全國性的個人和醫療信息登記。盡管如此，寄存器數據雖然有價值，但缺乏數字顯型所提供的多樣性、連續性和準確性。67此外，從這些隊列中得出的研究在很大程度上依賴於傳統的統計方法，這些方法在擴展到大型數據集和識別數據中更微妙模式的能力方麵受到限製。68
到目前為止，很少有研究將數字顯型應用於精神疾病的預測，如精神分裂症的複發69以及雙相情感障礙患者情緒發作的嚴重程度。70在PND的背景下，雖然智能手機應用程序被廣泛使用，但其應用主要集中在篩查和幹預上。71隻有兩項研究將數字顯型應用於預測產後抑鬱。34 72雖然這些研究報告了令人鼓舞的結果，但由於模式有限(僅使用問卷形式的活躍數據)、測量點不頻繁和使用更傳統的統計方法，它們的預測能力受到了損害。Mom2B研究將全國健康和懷孕登記數據與基於智能手機的數字顯型收集的主動和被動數據相結合，以客觀監測非臨床環境下的PND指標。
為了充分利用大數據的潛力，更先進的分析方法，如機器學習(ML)和深度學習(DL)是理想的。ML是一種人工智能方法，指的是使算法能夠識別和學習複雜的數據模式，從而預測結果的各種方法。73現代ML方法，如深度神經網絡(DNNs)，特別適合分析大數據集，因為它們可以在沒有指導的情況下檢測複雜的高維交互和結構化信息，然後用於訓練預測算法。DNN模型由多個“隱藏”處理層組成，靈感來自生物神經網絡，由一係列類似神經元的相互連接的節點組成。74 75
在過去的十年裏，在醫學上DL方法的使用穩步增加。76然而，很少有研究將ML用於精神病學的診斷或風險評估，而那些這樣做的研究往往受到樣本量和模式的限製，或僅使用傳統的ML技術。73 77據我們所知，Mom2B是第一個采用大數據方法並使用多模態數字顯型和先進的ML技術來開發PND和PTB預測算法的研究。
目標
利用通過Mom2B智能手機應用程序收集的大規模多模式數據，以及來自全國注冊的健康和妊娠信息，本研究的主要目的是評估先進ML和DL方法在預測PND發展方麵的準確性(1)在妊娠晚期(使用妊娠早期三個月的數據)，以及(2)在產後早期和晚期(使用妊娠和分娩期間收集的數據)。
本研究的第二個目的是利用多模態數據集應用先進的ML和DL技術來預測PTB的風險。
和分析方法
隊列描述
Mom2B (www.mom2b.se)是一項基於智能手機應用程序的全國性研究;該應用於2019年11月底在app Store和穀歌Play上發布。所有18歲以上、擁有智能手機、懷孕或產後3個月以內的講瑞典語的女性，都有資格通過在Mom2B應用程序中注冊並提供同意來參與。參與女性還被要求獲得可選的同意，以便與Mom2B項目內外的其他研究聯係(見在線補充附錄A)．然後，將參與者數據與瑞典國家登記冊提供的精神和身體健康以及與懷孕有關的信息聯係起來。
我們的目標是招募至少5000名具有完整結果測量的參與者。由於ML方法的複雜性，它不可能執行任何傳統的統計能力測試。然而，根據以往的研究59 78 79，並與人工智能領域的專家進行了磋商，我們估計，這個大致的數字將為我們提供足夠的材料來構建穩健的預測模型，同時考慮到損耗率和結果的流行率。
有關這項研究的信息正在社交媒體上傳播，並通過向全國各地的初級保健中心和產婦保健中心發送海報和小冊子。圖1說明了Mom2B的招聘、數據收集和退出。表1基於貢獻了相關數據的用戶，以及瑞典普通人口的相似特征，概述了現有Mom2B隊列的參與者特征。
從上到下，主列中的灰色內容塊代表已安裝的應用程序(由來自app Store (iOS)或穀歌Play (Android)的獨特用戶下載的Mom2B應用程序)，注冊用戶(在應用程序中提交注冊信息的個人)，簽署的同意(同意貢獻數據的注冊用戶，並以電子方式簽署這些同意)，最後是數據(簽署了同意的參與者，至少完成了愛丁堡產後抑鬱量表(EPDS27)至少一次)。後兩個塊還分別按數據類型(調查、語音和被動數據)說明了已簽署的同意書和可用數據。維恩圖的交叉點是非排他的，這意味著在調查和被動數據的交叉點中，例如，可以包括對語音記錄有貢獻的個人。此流程圖反映了2021年9月6日最後一次下載的數據。
數據收集
Mom2B應用程序收集三種類型的數據:調查數據、音頻記錄和被動數據。數據可以從懷孕第一周開始收集，一直到出生後第52周。從參與者注冊研究開始，隻收集他們同意的數據，如果他們想停止，可以在應用程序中隨時更改他們的同意偏好。
調查和問卷調查
Mom2B應用程序每周平均發放兩到三次經過驗證和自行開發的問卷，每次調查平均有五個問題。這些問卷用於收集有關參與者的精神和身體健康、曆史、個性、人際關係以及圍產期和為人父母的經曆的信息。它們包括EPDS，一種10項自我報告篩選工具，具有良好的心理測量特性，80 81在本研究中用作主要結局指標來評估整個研究期間的抑鬱症狀。經驗證和自行研製的儀器的時間表摘要，以及整個研究期間調查發生的次數，載於圖2和3,分別。
Mom2B研究中在妊娠和產後期間使用的已驗證儀器的時間軸，以及整個研究期間每種儀器的使用次數。用戶可以在不同的時間段內使用調查，一旦完成或可用期結束，調查就會消失。愛丁堡產後抑鬱量表27；WHO-5, WHO-5幸福指數106；《精神障礙診斷與統計手冊》第5版，抑鬱症標準;dsm -篩選短片是由研究團隊選擇的問題的簡化版的dsm -篩選;醫院焦慮和抑鬱量表107；PSS，感知壓力量表108；係統性紅斑狼瘡，壓力生活事件109；創傷經曆的終生影響110；出生恐懼量表111；IPAQ，國際身體活動問卷112；FSFI，女性性功能指數113；失眠嚴重程度指數114；RS-14,韌性規模115；SOC，連貫感116；VPSQ，脆弱性人格風格問卷117；親密關係體驗量表118；情人節量表(與伴侶的關係)119；S-MIBS，瑞典母嬰關係量表120；PBQ，產後親密度問卷121；嬰兒行為問卷122；瑞典親子壓力問卷123；lup，倫敦計劃外懷孕標準124；嬰兒特征問卷。125
Mom2B研究中在懷孕和產後期間進行的自行開發的調查時間表，以及整個研究期間每種工具的發生次數。用戶可以在不同的時間段內使用調查，一旦完成或可用期結束，調查就會消失。
聲音的錄音
在之前的研究中，音高、速度、時間和音色等音質被用來成功地區分抑鬱症患者和非抑鬱症患者。82 - 85為了收集語音數據，Mom2B應用程序每2-4周發送一個語音記錄任務，要求參與者記錄閱讀的簡單文本、數字序列或發音。
被動數據收集
在整個研究期間，通過Mom2B應用程序不斷收集用戶同意的被動數據，並用於推斷用戶的行為模式。對於iOS和Android用戶，其中一些功能的收集方式是不同的。下麵簡要解釋這些特征形式。
流動性
患者的地理移動模式與抑鬱症狀的變化之間已被證實存在相關性。86 87每10分鍾連續收集60秒的全球定位係統(GPS)數據。當運動超過一定閾值時收集加速器數據;當狀態改變時，運動活動，包括靜止、行走、跑步、騎自行車和在汽車中運動，都被記錄下來。對於iOS，我們收集設備運動，以提供更詳細的運動傳感器數據。
數據使用
互聯網使用是數據使用的主要特征。在不同的人群中，互聯網使用的各種模式已經被確認與抑鬱症有關，88 89但在患有PND的女性中沒有。Mom2B應用程序記錄了累計的上傳和下載速率以及時間戳。另一個功能是可達性，它記錄了帶有時間戳的智能手機連接——無論手機連接的是蜂窩網絡、Wi-Fi還是兩者都沒有。它還記錄了Android手機的Wi-Fi日誌，其中包括該地區可用無線網絡的匿名媒體訪問控製(MAC)地址的頻率和接收信號強度指示器(RSSI)。
智能手機的使用
研究發現，普遍使用智能手機與睡眠質量和抑鬱有關。90 91手機電源狀態，結合移動參數，可以反映個人行為，如睡眠模式。92 93為了跟蹤智能手機的使用情況，手機會收集屏幕活動、充電狀態和設備重啟等數據。
社交媒體活動
社交媒體行為也被證明有助於檢測精神狀態。研究還表明，減少在Facebook上的社交活動預示著產後抑鬱的症狀。41收集的數據包括簡單的行為測量，如發帖、評論或點讚，以及它們的時間戳。值得注意的是，我們隻測量活動的級別，而不是與該活動的文本或圖像內容相關的信息，參與者在提供同意時會意識到這一點。
調查的元數據
基於應用程序的調查也可以收集元數據。這種行為元數據可能包含與注意力、處理速度和工作記憶能力，甚至精神症狀惡化有關的臨床相關信息。58 94我們收集調查打開的時間、回答每個問題和完全完成調查所花的時間，以及調查答複的任何變化等數據。
國家注冊數據
補充資料將通過下列瑞典國家健康和質量登記冊獲取:出生醫學登記冊、懷孕登記冊、國家病人登記冊、處方藥登記冊和瑞典統計局的人口普查。獲取的信息包括圍產期並發症的記錄，如PND、PTB或任何其他被認為是影響研究結果的重要危險因素的並發症，如妊娠糖尿病、妊娠高血壓、先兆子癇、延長分娩時間、嚴重撕裂傷、產後出血、引產、陰道工具分娩、剖宮產和小胎齡。
此外，母親在接受產婦護理和產後探訪時的體重;從上次月經和超聲計算出生日期;關於以前流產、以前墮胎、慢性疾病、害怕分娩、非自願不孕、接受產婦護理時的孕齡和胎兒診斷的信息將從出生醫學登記冊獲得。檢索到的信息還包括參與者的背景、健康和生活方式等變量，以驗證我們自我報告問卷的目的，以及分娩後長達15年的精神和身體發病率。
數據流和存儲
圖4說明數據流和存儲過程如下:
參與者使用他們的瑞典社會安全號碼通過Mom2B應用程序注冊到研究中，該號碼使用Beiwe後端服務器提供的私鑰在設備中加密，並替換為一個隨機的、偽匿名的代碼號碼。
解密密鑰以及參與者的同意信息和電子簽名都存儲在烏普薩拉大學的一個隻寫的私人服務器中。
該應用程序獲取調查和錄音任務，並將參與者的數據上傳到後端服務器，在那裏數據被加密並發送到MinIO, MinIO是一種基於雲的安全存儲，在MinIO中添加了另一層加密。從手機上收集的被動數據遵循同樣的路徑。
從MinIO，所有數據分別以加密和解密的形式發送到私有脫機服務器Bianca，用於存儲和分析。
該應用程序根據參與者的活動提供每周報告，並獲取與用戶所處圍產期有關的健康信息，以及有關研究和圍產期健康的常見問題。
從用戶到服務器的數據流，用於存儲和分析。數據通過隻有經過授權的Mom2B團隊成員才能訪問的安全服務器，並可以在需要時在Bianca中進行解密分析。
初步數據分析策略
Mom2B數據集包含不同的模式，包括音頻數據、傳感器數據和調查數據，這些數據將分別進行分析，然後結合起來。我們計劃使用傳統的ML和DL技術來確定PND的可靠預測因子，並開發精確的預測算法，並將根據最適合的當前指南報告我們的發現，如個體預後或診斷的多變量預測模型透明報告(TRIPOD)聲明。95
工程特性
為了處理這些多模態數據，我們將分別使用傳統特征工程和DL技術為這些模態提取特征。96 97傳統特征工程的一個例子是使用軌跡，87使用流動特征，例如參觀過的重要地點數目、最大距離和SD。然而，DL可以用於提取許多其他模式的特征，如社交媒體和音頻數據，這在該領域沒有廣泛的研究。
特征選擇和模型選擇
為了分析多模態Mom2B數據集，我們將分別從每個模態開始。為了減少潛在過擬合的可能性，鑒於我們的數據集中有大量的特征，我們將使用遞歸特征消除來獲得最優的變量集，以便進一步的模型開發。
在此之前，邏輯回歸、支持向量機、隨機森林、XGBoost和神經網絡是預測PND最常用和最有效的ML算法。98使用這種傳統ML方法的一個優點是給我們一個特征重要性排序，允許我們識別更強的預測因子。與傳統的ML模型相比，使用DL分析數字顯型數據來評估抑鬱症的風險是一種比較新穎的方法。73在涉及複雜數據集的各種任務中，DL模型已被證明優於傳統ML，99 100並可在多模態數據挖掘任務中與傳統ML相結合，進一步提高性能。97我們將為每種模態測試和選擇性能最佳的ML模型，並確定PND的強預測因子。
多通道計算模型
我們收集的多模態數據具有不同的尺度、維度和格式，在進行預測前需要對這些數據進行協調。101不同的模型更適合不同的模式。為了在多個數據模式中處理這種複雜性，我們在開發階段考慮模式融合。
中顯示了一個多模態ML模型的例子圖5．該模型旨在基於Mom2B應用程序中收集的多模態數據檢測潛在的抑鬱發作。將三種模態的預處理數據輸入模型，然後將中間表示融合在一起，作為分類模型的輸入特征輸入。
多模態機器學習模型在圍產期抑鬱症(PPD)診斷中的應用。提取的特征可分為三類:聲學信號特征、時間序列特征和分類特征。然後我們可以確定最適合每個類別的模型。例如，對於聲學信號，我們將應用卷積神經網絡(CNN);對於時間序列數據，采用長短期記憶(LSTM)等循環神經網絡;對於數值變量，我們將應用深度神經網絡(dnn)，如變壓器，或傳統模型，如極隨機樹(XRT)，梯度增強樹等。這些模型可以生成多模態特征的高維表示。特征融合後，將綜合特征輸入另一個神經網絡進行預測。
評價指標
我們的數據將被分成訓練數據集(用於分析)和測試數據集(用於評估模型性能)。我們考慮使用多種評價指標，包括受試者工作特征曲線下麵積、特異性、靈敏度、正預測值、負預測值、平衡準確度和F1得分，因為這些指標的重要性會隨著最終算法的設置和目標而變化。因此，我們可以從不同的角度比較傳統的ML和DL的性能，以及不同的組合模型在PND預測背景下的性能。
患者和公眾的參與
計劃進行一項定性研究，以探索參與女性對Mom2B應用程序的態度和關注。此外，將向近期沒有使用該應用程序或退出研究的女性發送一份在線調查。直接與最終用戶接觸，並根據他們的反饋對應用進行修改，能夠提升用戶體驗，增加用戶粘性。專注於圍產期心理健康的瑞典非營利組織Mamma till Mamma的一名代表擔任我們的顧問委員會成員。該組織參與了我們研究和設計問卷的試點，目前支持我們進行招聘。我們還計劃讓他們參與研究結果的傳播。
Substudies
除了預測PND和PTB，從Mom2B隊列中收集的豐富數據還將用於調查進一步的問題，主要是關於孕婦和產後婦女的健康。計劃進行的其他研究領域包括母嬰早期分離和新生兒重症監護對母親健康的影響;性功能及其潛能與圍產期的抑鬱和焦慮有關。
2019冠狀病毒病大流行期間，母親的抑鬱與福祉
2021年初，從1577名參與者收集的數據被用於評估COVID-19大流行期間(2020年2月至2021年3月)瑞典孕婦的抑鬱和焦慮症狀，以及福祉和生活變化。102Mom2B應用程序能夠在大流行期間在國家層麵收集精神病學信息，以及關於流動性的被動數據。圍產期情感症狀和低幸福感水平與前幾年和病例較少的月份相比有所上升。類似的應用程序可以幫助醫療保健提供者和政府機構在危機期間實時監測高危人群，並調整措施和提供的支持。
道德和傳播
參與者被告知研究的目的，他們的數據的機密性和安全性將得到保證。所有參與者在注冊參與研究時都提供了參與同意書，並被告知他們可以在任何時候退出，而無需給出理由。該項目已獲得瑞典倫理審查機構的倫理批準(dnr: 2019/ 0170，有修訂)，符合通用數據保護條例(GDPR)要求，包括所有數據的處理、存儲和保護。研究結果將通過國際同行評議期刊、項目網站和社交媒體渠道持續傳播，並在國家和國際會議上發表。所有出版物都將開放獲取。
討論
優勢和局限性
除了數字表型分析與計劃使用的先進分析方法相結合之外，Mom2B研究的其他優勢還包括參與者的參與。根據從參與者收集的世衛組織-5健康指數和行為數據(運動、互聯網使用、睡眠等)，將統計數據發送給用戶，使他們能夠跟蹤自己的健康和活動，作為繼續參與的激勵。每周信息報告，根據從1177處獲得的信息，說明產婦和兒童在圍產期某一周的共同經曆和關切。se(瑞典醫療保健服務)提供給用戶，並使他們能夠輕鬆獲得信息。根據標準指南，103如果參與者在EPDS中獲得高分，他們會被提示聯係他們的醫療保健提供者或緊急支持服務機構尋求支持，如果不確定，他們可以聯係研究團隊，研究團隊將幫助他們為自己的需求找到合適的支持。與參與者保持持續聯係，直到他們獲得支持。
用戶組織和國際顧問委員會的參與進一步加強了研究，增加了可行性，使用最先進的方法，並提高了最終用戶高度接受的可能性，這對未來常規臨床實踐的整合尤其重要。
然而，也有一些局限性需要承認。周報和統計數據在支持和激勵用戶方麵很重要，但它們可能會影響用戶對某些問卷的回答。為了解釋這一點，我們考慮將用戶檢查它們的頻率作為模型中的一個特性。此外，我們的應用程序隻提供瑞典語，這排除了一些其他符合條件的參與者，維護應用程序前端和後端技術基礎設施的高昂成本需要大量資金。人員流失也是一個問題，特別是那些需要用戶主動輸入的數據。雖然我們可以根據用戶反饋來改進應用程序，但必須考慮到用戶流失也可能反映出症狀的惡化，並成為臨床惡化的預測因素。區分這些參與者並決定如何使用減員作為預測變量是很重要的。
倫理語句
病人同意發表
致謝
我們要感謝Oskar Burman創建並不斷調整智能手機研究應用Mom2B;感謝Uppsala大學醫院婦產科前主任Masoumeh Rezapour博士在該項目最初步驟中的支持和指導;感謝Arvid Marklund和Stavros Iliadis在應用開發早期提供的支持;感謝Maria Grandahl、Emilia Biskop和Lisa Lindgren在應用程序內容和問卷調查方麵的寶貴意見。
參考文獻
補充材料
-
補充數據
這個網絡僅文件已由BMJ出版集團從作者提供的電子文件生產(s)，並沒有編輯的內容。
腳注
AS和FCP貢獻相當。
貢獻者AS和FCP參與了研究的構思和設計，對草稿進行了批判性的修改，並批準了最終稿。EB、EF和CA為項目的設計和啟動做出了重要貢獻，並對草案進行了批判性的知識內容修改。AE、EB、UE、MZ和KG對議定書的起草和項目的繼續作出了貢獻。AMB是這項研究的協調人，主要負責起草手稿，並對其知識內容進行批判性修改。
資金這項工作得到了烏普薩拉地區科學院、烏普薩拉大學醫院婦產科瑞典地方當局和地區協會(SKR)、烏普薩拉大學醫院婦產科瑞典研究委員會(批準號2020-01965)、瑞典大腦基金會和烏普薩拉大學婦女學院的支持。
相互競爭的利益沒有宣布。
患者和公眾的參與患者和/或公眾參與了本研究的設計、實施、報告或傳播計劃。有關更多細節，請參閱方法部分。
來源和同行評審不是委托;外部同行評議。
補充材料本內容由作者提供。它沒有經過BMJ出版集團有限公司(BMJ)的審查，也可能沒有經過同行評審。討論的任何意見或建議僅僅是那些作者(s)和不被BMJ認可。BMJ放棄從放在內容上的任何依賴產生的所有責任和責任。如果內容包含任何翻譯材料，BMJ不保證翻譯的準確性和可靠性(包括但不限於當地法規、臨床指南、術語、藥品名稱和藥物劑量)，並且不對翻譯和改編或其他原因引起的任何錯誤和/或遺漏負責。
請求的權限
如果您希望重用這篇文章的任何部分或全部，請使用下麵的鏈接，它將帶您訪問版權清除中心的RightsLink服務。您將能夠快速獲得價格和以多種不同方式重用內容的即時許可。