條文本
PDF
摘要
客觀的開發一個預測模型，並說明基於應用程序的治療和尿失禁(UI)常規護理之間的個性化治療決策的實際潛力。
設計預測模型研究使用數據從一個實用主義，隨機對照，非自卑試驗。
設置荷蘭初級保健從2015年開始，從2017年開始包括社交媒體。報名截止於2018年7月。
參與者如果成年女性每周有2次以上的UI發作，可以使用移動應用程序並希望得到治療，她們就符合條件。在350名接受篩查的女性中，262名符合條件，並像往常一樣隨機分配到基於應用程序的治療或護理;195人(74%)參加隨訪。
預測文獻綜述和專家意見確定了13個候選預測因素，分為兩組:預後因素(獨立於治療類型)，如UI嚴重程度、絕經後狀態、陰道分娩、一般身體健康狀況、盆底肌肉功能和體重指數;以及修飾詞(取決於治療類型)，如年齡、UI類型和持續時間、對生活質量的影響、既往物理治療、招募方式和教育水平。
主要結果測量主要結局是4個月隨訪期後的症狀嚴重程度，用尿失禁國際會診問卷(尿失禁簡表)衡量。預後因素和修正因子被組合成最終的預測模型。然後，我們預測每個參與者的治療結果，並計算個性化優勢指數(PAI)。
結果基線UI嚴重程度(預後)和年齡、受教育程度和對生活質量的影響(修飾因子)獨立影響eHealth的治療效果。平均PAI為0.99±0.79分，21%的個體具有臨床相關性。應用PAI也顯著改善了組水平的治療結果。
結論通過預測模型的實際應用，個性化治療選擇可以支持在電子健康和常規護理之間的治療決策。關於用戶界麵的電子健康，這可以促進在基於應用程序的治療和常規護理之間的選擇。
試驗注冊號碼NL4948t。
- 遠程醫療
- urogynaecology
- 初級護理
- 統計與研究方法
- 臨床試驗
- 尿失禁
數據可用性聲明
根據合理的要求提供數據。在識別之後，作為本文報告結果基礎的個別參與者數據將包括數據字典可用。為分析提供方法上健全的建議以實現已批準建議中的目標的研究人員可獲得數據。有效期從文章發表後9個月開始，到文章發表後36個月和提案獲得批準後結束。可獲得的其他信息為研究方案。對數據的使用沒有額外的限製。數據可從MHB網站m.h.blanker@umcg.nl獲得。
這是一篇開放獲取的文章，按照創作共用署名非商業性(CC BY-NC 4.0)許可發布，該許可允許其他人以非商業性的方式發布、混編、改編、構建本作品，並以不同的條款授權他們的衍生作品，前提是原創作品被正確引用，給予適當的榮譽，任何更改都被注明，且使用是非商業性的。看到的:http://creativecommons.org/licenses/by-nc/4.0/．
來自Altmetric.com的統計
本研究的優勢和局限性
這是第一個證明預測模型的實際潛力的研究，以支持在選擇電子健康和常規護理之間進行個性化治療的決策。
在我們的樣本中，電子健康治療尿失禁的效果的修正因素(年齡、文化程度和對生活質量的影響)在臨床實踐中很容易重現。
該研究基於具有代表性的一線人群的實用隨機對照試驗數據，這使得數據非常適合開發個性化治療決策的預測模型。
盡管對候選預測因子進行了徹底的搜索，但與電子健康治療相互作用的預測因子可能被遺漏，特別是考慮到這一主題的文獻很少。
我們的最終模型和個性化優勢指數顯示出中等的預測性能，仍然需要在大型初級保健樣本中進一步開發和驗證。
簡介
隨機對照試驗(rct)提供了在群體水平上治療效果的證據，但它們未能提供在特定患者中優化治療所需的個體水平的預測信息。當兩種治療在群體水平上隻顯示出邊際差異時，這一點尤其相關，就像在非自卑設計中發生的那樣，在非自卑設計中，個性化治療決策的附加價值可能更大。1基於患者個人特征的治療結果預測模型可能有助於治療決策的個性化。流行病學和統計文獻中已經發表了基於預測模型的臨床決策支持工具開發的不同方法，用於開發各種疾病。2 - 4在精神beplay体育相关新闻衛生保健領域，抑鬱症的治療方案往往顯示出相當的有效性和顯著的個體差異性，個性化優勢指數(PAI)顯示出了效用。4個5這種方法預測所接受治療的個體結果(事實)和其替代方案(反事實)，兩者之間的差異稱為PAI。通過這種方式，可以對特定患者的最佳治療方法及其預期優勢的大小進行量化。PAI模型考慮了預測治療結果的患者特征，這些特征與治療類型無關，也與治療類型相互作用。
電子健康的有效性通常被證明“不低於”傳統治療方案，這被認為是可以接受的，因為與有效性無關的潛在優勢，如改善可及性、隱私或節省成本。6然而，即使在群體水平上存在非自卑，治療反應在個體水平上也可能有很大差異。例如，我們證明了基於應用程序的女性尿失禁(UI)治療在群體水平上並不低於常規治療，但我們同樣發現，在兩個治療組中，個體隨訪結果從“糟糕得多”到“好得多”不等。7此前，據報道，使用eHealth時，更高的年齡、治療預期和疾病嚴重程度可以預測UI的更好結果。8 9雖然患者和護理人員在做出治療決定時可以權衡這些單獨的特征，但了解現有治療方案的具體結果會更有意義。我們不知道PAI已應用於有關電子健康的治療決定。
在這項研究中，我們使用現有的RCT數據來開發一個預測模型，並說明個性化治療決策如何影響基於應用程序的治療和常規護理之間的選擇。10我們還研究了這種方法在有壓力、緊急或混合UI的女性中的實用潛力。首先，我們建立了一個基於應用程序的UI常規治療和護理結果的預測模型，並使用該模型預測所接受的實際治療(事實)和未接受治療的假設結果(反事實)。其次，我們使用PAI來確定最佳治療方案，並量化其在個體參與者中的附加效益。第三，我們評估了任何益處的臨床相關性，以及使用PAI是否在組水平上改善了治療結果。
方法
數據來源和研究設計
我們使用了來自urincontrol試驗的數據，這是一個實用的、非自卑的隨機對照試驗，研究對象是有壓力、緊急或混合UI的女性，她們要麼接受基於應用程序的治療，要麼通過全科醫生(GP)進行常規護理。試驗設計、應用程序的開發和內容，以及臨床結果之前已經發表過。7 10最初的試驗報告了基於應用程序的治療與常規護理在組水平上的非劣性。基線特征和結果測量基於通過有效問卷和全科醫生培訓生體檢收集的數據。在本研究中，我們使用這些數據建立一個預測模型，預測個體水平的治療結果並計算PAI。
參與者
參與者注冊於2015年7月至2018年7月進行，隨訪於2018年12月20日結束。我們通過31個診所的88名全科醫生在荷蘭北部招募參與者，並通過社交媒體和外行媒體。成年女性如果每周有2次以上自我報告的壓力、緊急情況或混合UI，希望得到治療，並使用智能手機或平板電腦，就符合條件。排除標準為:尿路感染、尿失禁溢流或持續、留置導尿管、泌尿生殖係統惡性腫瘤、懷孕或近期分娩(<6個月前)、尿失禁治療前一年、尿失禁手術前、晚期或嚴重疾病、認知障礙、精神疾病或無法完成荷蘭語問卷。目前的分析使用了原始研究中所有婦女的前處理數據和4個月的結果數據。
治療
基於應用程序的治療包括一個循序漸進的UI自我管理方案，內容基於相關的荷蘭GP和國際指南。11日12照例治療包括轉到參與者的全科醫生，然後全科醫生可以自由地進行以下常規護理:討論治療方案，如盆底肌肉訓練和/或膀胱訓練;子宮托、藥物或吸收性產品的處方;然後轉介到節製護士，盆腔物理治療師或二級護理。12
結果
模型預測的結果是治療4個月後尿失禁的嚴重程度，我們將其標記為尿失禁短形式(UISF)終末評分。這一持續得分由尿失禁國際谘詢問卷、尿失禁簡表(ICIQ-UISF)、13問卷測量自我報告的UI的頻率、嚴重程度和對日常生活的影響。分數從0到21，分數越高表示失禁越嚴重。數據分析師在分析時對治療部門一無所知。
預測
根據文獻檢索和專家意見確定候選預測因子。PubMed搜索保守性骨失禁治療和eHealth治療(骨失禁和其他情況)的預測因子(在線補充表1)．8 12 5我們還詢問了電子健康和初級保健領域的獨立專家(一名盆底物理治療師，兩名電子健康研究人員，一名具有實際電子健康經驗的全科醫生和一名全科醫生/電子健康研究人員泌尿婦科)，請他們列出他們認為與UI女性基於應用程序和常規治療的成功或失敗相關的因素，並對文獻搜索中確定的因素進行評論。這個過程確定了30個候選預測因子，總結在在線補充表2我們根據數據集的可用性和在臨床實踐中的可用性從其中選擇了13個。
基於文獻綜述和專家意見，我們預先指定基線特征作為潛在的預後因素或潛在的修正因素。預後因素預測的結果與治療類型無關，而修飾詞預測的結果取決於所接受的治療(修飾詞在反事實分析中解釋了治療效果的差異)。
選擇6個基線特征作為潛在的預後因素:UI嚴重程度，基於ICIQ-UISF問卷(低-高嚴重程度範圍為0-21);絕經後狀態(是或否);順產(是或否);一般身體健康，基於EQ-5D-5L-VAS問卷(低-高身體健康範圍為0-100);盆底肌肉功能(正常、過度或不足)和體重指數。如DeRubeis所述，7個基線特征被選為潛在的修飾因子或規定性因素等4:年齡(年);UI類型(壓力或緊急)、持續時間(年)和對生活質量的影響(ICIQ-LUTS-QoL問卷，低-高影響範圍19-76);既往物理治療(是否);招聘方式(通過GP或媒體)和教育水平(iMTA-MCQ-PCQ問卷，評分高低)。在基線測量預測因素，並在隨訪期間評估教育水平。
統計分析
根據Riley的指導，我們計算了建立模型所需的最大參數數等該研究基於一個臨床預測模型，該模型具有連續的結果，已知樣本量為262名參與者。24考慮到我們的試驗人群UI嚴重程度評分平均為9.9±3.3分，預期R2從Nystrom (0.6)等，25我們計算出建立模型最多需要28個參數。
結果測量和一個預測因子數據缺失，我們在隨機缺失數據的假設下通過多重歸責來彌補。我們通過觀察缺失的模式和預測因素來評估缺失的數據機製，以證實隨機缺失或非隨機缺失的假設。26所有預測某一變量缺失的變量與分析中的所有變量一起納入歸責模型。
所有的統計分析均使用IBM SPSS for Windows, V.26.0 (IBM)和R進行。我們在R中使用MICE包進行多重imputation，構建了50個imputation數據集。27
開發和驗證
我們開發了一個模型來預測基於預後因素和修正因素的治療結果，通過內部驗證評估過度樂觀，並將其應用於校正。該模型用於預測每個參與者的兩個結果:(1)患者接受的實際治療和(2)患者未分配的反事實治療。我們使用這些數據來構建和計算PAI，然後評估其在個人和群體層麵的益處。
第一步:建立預測模型
我們通過相關矩陣研究了非估算數據集的多重共線性，結果顯示，沒有一個候選預測因子與其他預測因子高度相關(r>0.8)。28正如Kraemer所描述的等，連續預測因子通過減去中位數居中，二分變量設為0.5和−0.5。29最終uisf評分通過線性回歸進行預測，將潛在的預後因素作為主要影響因素，並將潛在的修正因素作為主要影響因素和表示其與治療相互作用的術語。我們使用了一個逐步的、向後的消除策略，從基於alpha為0.25的模型中排除變量。30.在至少50%的估計數據集中選擇的預測因子被納入最終模型。28我們將治療類型和每個交互作用的主要效果強行納入最終模型，而不管它們的重要性。31模型性能由R2，擬合優度和校正斜率。95%的ci被適當地報告。
步驟2:預測模型的內部驗證
回歸係數、納入百分比和平均調整R的穩定性2通過500個引導樣本進行評估。我們用真實誤差(平均觀察得分減去平均預測得分)和SE檢驗精度。為了糾正過於樂觀，我們在最終模型係數中同樣應用了均勻收縮。32
步驟3:PAI的構建
確定了差異反應的預測因子後，可以構建一個模型，利用PAI生成治療建議。4鑒於我們的目標是研究該指標的實用潛力，我們關注的是臨床應用而非技術細節(圖1)．4個5
根據個人預測得分圖例計算個人優勢指數(PAI):每個患者可能有三個個人結果得分(圖片，左):一個觀察到的和兩個模型預測的。最佳治療是預測結果評分最低的治療(圖右)。PAI是最佳處理與非最佳處理之間的差值。尿失禁簡稱UISF;CAU，照舊關懷;UI,尿失禁;QoL，生活質量。
對個別結果的預測
對於每個患者，我們通過使用患者的觀察值完成兩次模型，預測基於應用程序的治療和常規護理的最終uisf評分:一次使用基於應用程序的治療值(−0.5)，一次使用常規護理值(0.5)。這預測了患者接受治療的最終uisf得分(事實得分)和未接受治療的最終uisf得分(反事實得分)。為了預測個體的最終得分，我們將樣本分成五個相等的組，並使用基於四組數據的線性回歸模型和抽樣權重來預測目標組的最終得分。這種五次交叉驗證通過避免在估計相關回歸係數時包含個人自身的數據，降低了過擬合的風險。
對個別結果的解釋
記錄了每個患者的三種uisf終末評分:(1)在試驗中接受隨機治療後的觀察評分，(2)基於應用程序的治療的預測評分，以及(3)照例治療的預測評分。兩個預測得分中最低的是最佳治療(圖1)．
步驟4:PAI評估
個人利益評估
對於每個患者，我們計算PAI作為一種治療優於另一種治療的衡量標準，並評估其量級(即臨床相關性)。PAI是最高和最低預測分數之間的差值。基於之前定義的ICIQ-UISF的最小臨床重要差異1.58分，25PAI高於此值的最佳治療有望對患者產生明顯的好處。
小組層麵的改進評估
最後，我們評估了使用PAI的個性化治療是否在群體水平上顯著和實質性地改善了治療結果(即，PAI作為改善治療選擇和從而提高療效的工具的有用性)。使用試驗中觀察到的結果評分，我們將隨機接受最佳治療的患者與隨機接受非最佳治療的患者進行比較。該比較的隨機化允許在組水平上進行因果解釋，因為我們在單獨選擇參與者(使用五倍交叉驗證)的基礎上建立了模型，而且預測的最終uisf評分與所接受的隨機化或治療不相關。
患者和公眾的參與
從研究一開始，我們就涉及了患者、公眾和專業人員。10每個小組都對研究設計提供了反饋，在開發階段評估了應用程序，在試驗階段提供了反饋，並通過電子郵件通知了之前的結果。他們已經通過電子郵件得知了以前的結果，並將在發表後通知當前的結果。為方便向公眾提供信息，我們製作了文字、插圖和視頻格式的簡明摘要，在社交媒體和我們的網站(www.urincontrol.nl)．
結果
參與者
我們納入了262名參與試驗的女性的數據(表1)．唯一顯著的區別是應用程序治療組的UI嚴重程度較低。4個月時，195名婦女(74.4%)報告了uisf終末評分，導致67例uisf終末評分和教育水平數據缺失。結果變量是隨機缺失的，由較年輕的年齡、較高的體重指數和無既往治療來預測，但與失禁的嚴重程度無關。7
預測模型的發展
表2顯示最終模型中包含的變量。該模型解釋了預測結果測量中46%的方差(R20.46;95% CI 0.36至0.55))。原始數據中觀測結果與預測結果之間的平均差異(即擬合優度)為0.015 (95% CI−0.308至0.278)，顯示校準截距為−0.06，校準斜率為1.01 (在線補充圖1)．較低的uisf終末評分，表明較好的治療結果，可通過照例護理、較低的UI基線嚴重程度和較低的UI對生活質量的影響預測。應用程序治療的成功與較高的年齡、UI對生活質量的較高影響和較高的教育水平相關。照護成功與教育水平較低有關。
內部驗證
整個引導樣本的回歸係數和包含百分比是穩定的。平均R2(%解釋方差)在引導後為0.455 (95% CI 0.357至0.547)(在線補充表3)．自舉法計算的均勻收縮係數較小，為0.98 (表2)．真正的誤差是1.85在線補充圖2)， SE為0.15。
個性化的優勢指數
在組水平上，4個月後未計算的UISF評分的平均變化表明症狀改善為−2.35±3.05分。患者症狀評分變化範圍為- 15 ~ 6分。
個體觀察和預測結果評分
觀察評分顯示平均uisf為7.58±3.46分(範圍0-18)。平均預測最佳和非最佳評分分別為7.15±2.46分(範圍0-13)和8.14±2.52分(範圍2-16)。
群體層麵的提升
最後，我們比較了接受最佳治療(n=135;51%)和非最優(n=127;49%)，平均評分分別為7.01±3.33分和8.20±3.51分。隨機最佳和非最佳治療之間觀察到的均數差異具有統計學意義，平均差異為1.19點(95% CI 0.355 ~ 2.021)。
討論
主要調查結果陳述
我們演示了一種方法，用於預測最佳治療，並在個體患者水平上量化其與非最佳治療的效益，當考慮將電子健康用於UI管理時。四個基線特征，即UI嚴重程度(一個預後因素)和年齡、教育水平和UI對生活質量的影響(修飾因子)，被確定為適合於在該模型中幫助決策。根據PAI的平均優勢為0.99分，21%的個體超過了1.58的臨床相關性閾值。應用PAI促進決策還顯著改善了群體層麵的治療結果，這可能與考慮該治療的其他質量衡量標準(如成本效益)有關。據我們所知，這是第一項將已有的預測心理健康和軀體疾病治療結果的方法轉化為方法的研究beplay体育相关新闻2 - 4到eHealth設置。
研究的優勢和劣勢
我們開發了一個模型，用於預測最有可能改善個人UI症狀的治療方案，並評估該預測的臨床相關性。使用具有代表性的一線人群的務實RCT數據，使該數據非常適合開發個性化治療決策的預測模型。2該模型的可用性還在於預測因素很容易再現(年齡和驗證問題的答案)，而且在臨床實踐中很容易獲得。1其他優點是使用以患者為中心的結局測量，根據文獻和專家意見選擇預測因子，包括預後因素(治療獨立)和修正因素(治療依賴)，預測研究的力量和模型的最小過擬合(收縮因子=0.98)。28
還應該考慮到幾個重要的限製。首先，預測模型需要通過樣本進行外部驗證，將基於應用程序的治療與常規治療進行比較;然而，這樣的示例並不存在於UI中。內部驗證隻確認了模型開發的穩定性和性能。其次，46%的解釋方差是中等的，與其他eHealth UI模型的報告相似(範圍為30%-61.4%)。8 9第三，在我們的樣本中，真實誤差為1.85分，大於平均PAI(0.99分)和臨床相關性閾值(1.58分)，可能表明個性化預測的精度較低，並可能影響對個人優勢大小的估計。通過在模型中添加與電子健康治療相互作用的更強預測因子，可以提高性能和精確度。盡管對候選預測因子進行了徹底的搜索，但與電子健康治療相互作用的預測因子可能被遺漏，特別是考慮到這一主題的文獻很少。最後，我們不能包括一些文獻搜索和專家意見確定的變量，如參與者的電子健康素養和治療預期，因為這些數據集中沒有。
與其他研究的優缺點及主要區別
我們預測個人最佳治療方案的方法顯示了治療效果分析的預測異質性的重要特征和挑戰。我們的方法屬於更大的“效果建模”方法(與風險建模相對)，這意味著在預測模型中包含了治療分配和治療與基線協變量之間的相互作用的術語，正如最近的一篇最新綜述中所述。33在我們的實用試驗中，整體結果的分解似乎改善了個體和群體水平上的治療效果。然而，我們也遇到了與綜述中描述的效應建模相關的障礙;例如，尚未建立的先驗修正，有限的統計能力，多重測試問題，以及評估一個特定的預測-決策策略(在我們的試驗中，例如臨床相關性閾值)是否會優化一般人群的淨效益。PAI預測，在選擇抗抑鬱藥物和認知行為療法時，60%的抑鬱症患者有臨床相關改善。4個5與心理健康環境相比，beplay体育相关新闻5在我們的隊列中，隻有21%的人預測到臨床相關的改善，可能是因為對UI的治療效果現有的知識較少或可識別的變化較少。然而，到目前為止，我們還不知道有任何其他研究評估和比較了電子健康治療和照例護理的預測因素的相互作用。我們相信這種類型的評估對於加強治療特異性結果預測和優化個性化醫療的臨床決策是必不可少的。林德等例如，研究表明，更高的年齡預示著使用eHealth對UI進行治療的更大成功，8但這隻考慮了他們的總樣本(基於互聯網的治療和對照組)，並沒有評估治療的相互作用。在我們的研究中，年齡與治療類型的相互作用表明，較高的年齡可能更喜歡基於應用程序的治療，而不是常規護理。這項新信息與研究人員和臨床醫生都相關，因為它與電子健康更適合年輕患者的普遍預期相悖。
發現的可能機製和解釋
我們模型中的預測因子不應被解釋為UI症狀的嚴格因果或病因因素。目前的數據分析是專門為確定一組具有高預測準確性的變量組合而設計的，而不是揭示影響隨訪時UI症狀嚴重程度的因果因素。然而，模型中保留的預測因子具有較高的先驗預測值，是可信的因果因素。
在開發的模型中，年齡、教育水平和UI對生活質量的影響的增加預測了基於app的治療比常規治療更好的治療結果。教育水平的影響最大，較高的教育水平與應用程序治療的獲益相關，較低的教育水平與常規護理相關。這可能反映了健康狀況、電子健康素養和自我效能的差異，但也可能反映了應用程序的設計(例如，有冗長的文本或說明可能太難理解)，或特定醫療保健專業人員對患者支持需求的更好適應性。
其他研究表明，較低的衛生知識水平與較差的衛生結果和難以有效使用電子衛生有關。34 35移動應用程序有潛力為特定用戶量身定製，比如那些文化水平低的用戶，並可能彌合這一差距。36鑒於我們的應用程序的內容並不是為低文化水平的用戶量身定製的，我們將進一步開發它，以提高其可用性、可讀性和可用性。此外，我們計劃增加改進的技術和實際支持，特別是針對低文化水平的用戶。
對臨床醫生或決策者的潛在影響
群體層麵的預測模型隻能使患者和護理人員猜測某一特定特征如何影響個體層麵的治療結果。PAI通過量化最佳治療的預期結果和效益，幫助糾正這一問題。結果很容易解釋，可以立即為決策提供信息。
我們的模型需要進一步的開發和驗證，但同時，我們相信它可以在臨床實踐中使用。事實上，使用該工具肯定優於目前的情況，在目前的情況下，沒有可用的支持，如果預測錯誤，它的使用對患者的風險很小(即，選項並不差，但它的使用可以改善結果)。1PAI也可以在臨床實踐中輕鬆實現，無論是在應用程序本身，還是在患者信息網站上，用戶可以在那裏輸入必要的預後因素和修飾詞，以預測最有可能受益的選項。這種方法對共同決策特別有幫助，並可用於指導希望考慮使用免費獲取的電子衛生幹預措施的患者，當他們遇到尋求護理人員幫助的障礙時。目前，這些患者經常在不知道會發生什麼情況的情況下開始使用可用的應用程序。
未回答的問題和未來的研究
由於在試驗開始時沒有預測目前的分析，我們錯過了重要的預測因素。因此，我們建議電子健康研究人員考慮添加一種個性化治療決策的方法，使他們能夠考慮並包括所有相關的預測因素。如果研究人員正在進行(務實的)隨機對照試驗，這一點尤其相關，否則就為這種方法提供了完美的基礎。1 37如果更多的電子健康研究人員進行類似的研究，我們可能會看到在臨床決策、治療結果和我們對與電子健康治療相互作用的預測因素的認識方麵的大規模改進。
在目前的研究中，需要對模型進行外部驗證，但由於缺乏合適的樣本，這很複雜。將該方法應用於其他電子健康環境的研究人員可能會獲得更多的驗證樣本，在這些環境中，有大量的研究將電子健康與常規護理進行比較(例如，肥胖和糖尿病)。36最後，比較使用和不使用該決策支持工具的組的治療結果的影響研究將是有趣的。1
結論
預測模型可以直接支持在電子保健和常規護理之間選擇個性化治療的決策。我們將這一原則應用到UI的電子健康治療中，盡管我們的模型隻有中等的預測性能，仍然需要外部驗證，但我們展示了它的實際潛力。
數據可用性聲明
根據合理的要求提供數據。在識別之後，作為本文報告結果基礎的個別參與者數據將包括數據字典可用。為分析提供方法上健全的建議以實現已批準建議中的目標的研究人員可獲得數據。有效期從文章發表後9個月開始，到文章發表後36個月和提案獲得批準後結束。可獲得的其他信息為研究方案。對數據的使用沒有額外的限製。數據可從MHB網站m.h.blanker@umcg.nl獲得。
倫理語句
病人同意發表
倫理批準
該研究涉及人類參與者，並獲得了格羅寧根大學醫學中心(荷蘭)醫學倫理審查委員會(METc-number: 2014/574)批準。所有參與者均給予書麵知情同意。參與者在參與研究前給予知情同意。
致謝
我們感謝參與的全科醫生一直以來的支持，以及所有參與者對這項研究的寶貴貢獻。特別感謝參與開發該應用程序的患者和Bekkenbodem4all患者組織的人員。最後，我們感謝Robert Sykes博士(www.doctored.org.uk)提供的編輯服務。
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
推特@loohuisanne, @Marco_Blanker
貢獻者AMML收集數據，進行分析並撰寫論文;HB設計了這項研究，並對論文的分析和寫作做出了貢獻;NW收集了數據並為論文的撰寫做出了貢獻;京東設計了這項研究，獲得了資金，並為論文的撰寫做出了貢獻;AGGAM參與了研究設計、應用內容和寫作;MYB協助研究設計並參與論文撰寫;MHB設計了這項研究，獲得了資金，是項目負責人，對分析和論文的撰寫做出了貢獻;HvdW為本文的分析和寫作做出了貢獻;MHB是擔保人。通訊作者證明，所有列出的作者都符合作者標準，沒有其他符合標準的作者被遺漏。beplay体育官网官方登录
資金這項工作得到了荷蘭衛生研究與發展組織ZonMw(項目編號:837001508)的資助，並得到了P.W.布爾基金會的補助金。該研究獲得了2016年Huygen教授獎的全科最佳研究提案，其中包括額外的資金。
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。