对基于行为激活的数字戒烟干预反应的个体预测因素:机器学习方法
Siyuan Huang1,2, Amy Wahlquist3, Jennifer Dahne1,2
1Department of Psychiatry and Behavioral Sciences, Medical University of South Carolina (MUSC), Charleston, South Carolina, USA.
Substance use & misuse
|June 20, 2024
概括
参与Goal2Quit应用程序,特别是对于具有高等教育的用户,显著改善了戒烟和减少了抑郁症. 定制数字干预措施对于患有抑郁症状的吸烟者来说至关重要.
科学领域:
- 数字健康数字健康
- 行为心理学 行为心理学
- 公共卫生 公共卫生
背景情况:
- 抑郁症在吸烟者中很常见,并且与复发有关.
- 基于行为激活的Goal2Quit移动应用程序在增加吸烟戒断和减少抑郁症状方面表现有前途.
研究的目的:
- 确定抑郁症患者在数字戒烟干预中成功的预测因素.
- 在Goal2Quit应用程序上分析临床试验的二次数据.
主要方法:
- 成年吸烟者被随机分配到使用Goal2Quit应用程序或常规治疗 (TAU).
- 最少绝对收缩和选择运营商 (LASSO) 确定了干预结果的基线预测因素.
- 线性回归模型评估了预测因素和结果之间的关系.
主要成果:
- 使用Goal2Quit (56±46分钟) 的显著时间预测,与最小使用 (10±2分钟) 相比,香烟使用至少减少50%.
- 与TAU相比,高中以上教育的应用程序用户显示显著减少了抑郁症.
- 最小的应用程序参与没有产生显著的吸烟减少.
结论:
- 定制数字戒烟干预措施以适应用户参与度和教育水平至关重要.
- 这项研究提供了一种方法框架,用于为患有抑郁症的吸烟者个性化基于技术的治疗方法.


