自我監測和移動健康改善血壓控制

參與行動技術血壓自我管理計劃的成年人的高血壓控制評估

作者： Tomer Gazit，博士1 ；米哈爾·古特曼，BSc1 ；亞歷克西斯·L·比蒂，醫學博士，MAS2

資料來源：美國醫學會雜誌

‍

重點

問題：參與行動科技血壓自我管理計畫與長期血壓控制相關嗎？

研究結果：在這項隊列研究中，28189 名患有高血壓或高血壓的美國成年人參與了高血壓自我管理計劃，其中包括血壓監測儀和連接的智慧型手機應用程式以及基於臨床的數位輔導，大多數參與者在一段時間內實現並保持較低的血壓。

意義：這些研究結果表明，行動技術高血壓自我管理計畫可能有助於現實世界的血壓監測和控制。

‍

抽象的

重要性- 目前尚不清楚行動技術高血壓自我管理計劃是否與血壓 (BP) 控制相關。

目的- 檢查在長達 3 年的隨訪期間，使用血壓監測儀和連接的智慧型手機應用程式以及基於臨床的數位輔導參與高血壓自我管理計劃是否與血壓控制相關。

設計、設置和參與者——這項隊列研究招募了2015 年1 月1 日至2020 年7 月1 日期間患有血壓升高或高血壓的美國成年人。 （或其配偶）的雇主健康計劃提供的。

曝光度- 計畫參與度，由平均申請會話數定義。

主要結果和措施- 由美國食品和藥物管理局批准的血壓監測儀測量的收縮壓和舒張壓，類別定義為正常（收縮壓，120 毫米汞柱）、升高（收縮壓，120-129 毫米汞柱）、第一階段高血壓（收縮壓130-139毫米汞柱）及2期高血壓（收縮壓140毫米汞柱）。其他指標包括年齡、性別、憂鬱、焦慮、糖尿病、高膽固醇、吸菸、地理區域、面積剝奪指數、自我報告的體重和設備測量的身體活動（每天的步數）。

結果- 在28 189 名參與者中（中位數[IQR] 年齡，51 [43-58] 歲；9424 名女性[40.4%]；13 902 名男性[59.6%]），中位數(IQR) 基線收縮壓為129.5 mm Hg (120.5 -139.6 毫米汞柱），舒張壓為 81.7 毫米汞柱（75.7-88.4 毫米汞柱）。 934 名基線血壓升高的參與者中有495 名(53.0%)、966 名基線1 期高血壓參與者中有673 名(69.7%) 以及1075 名基線2 期高血壓參與者中有920 名( 85.7%) 在1 年時中位數收縮壓改善了至少1 個類別高血壓。與基線高血壓、1 期高血壓和2 期高血壓參與者相比，參與該計劃3 年的參與者平均(SEM) 收縮壓降低了7.2 (0.4)、12.2 (0.7) 和20.9 (1.7) mm Hg高血壓，分別。隨著時間的推移，較高的參與度與較低的收縮壓相關（高參與度組：131.2 mm Hg；95% CI，115.5-155.8 mm Hg；中度參與度組：133.4 mm Hg；95% CI 116.3-159.5 mm Hg；低-參與組：135.5 毫米汞柱；95% CI，117.3-164.8 毫米汞柱P .001）；在調整了年齡、性別、憂鬱、焦慮、糖尿病、高膽固醇、吸菸、地區剝奪指數排名和美國地區後，這些結果仍然存在，這在一定程度上是由更大的體力活動所介導的。 3778 名參與者觀察到 11 637 次血壓非常高（收縮壓 180 mm Hg）。較高的參與度與較低的高血壓風險有關；與中等參與度組（0.79%；95% CI，0.71%-0.87%）相比，低參與度組出現極高血壓的估計機率較大（1.42%；95% CI，1.26%-1.59%） ； P < .001）和高參與度組（0.53%；95% CI，0.45%-0.60%；與兩組相比， P <.001）。

結論和相關性- 本研究的結果表明，行動技術高血壓自我管理計劃可以支持長期血壓控制和極高血壓檢測。此類計劃可以改善現實世界的血壓監測和控制。

‍

介紹

大約 47% 的美國成年人患有高血壓，據估計只有 22% 的高血壓患者血壓 (BP) 得到充分控制。 1血壓自我監測已被提議作為實現更好血壓控制的干預措施。 2然而，研究表明，如果沒有生活方式諮詢等其他輔助幹預措施，僅靠血壓自我監測不足以降低血壓。 3

行動技術介入可用於促進血壓自我管理並提供自動化的生活方式指導。 4研究表明，移動技術幹預與較低的收縮壓和較低的舒張壓有關。 5 - 7然而，先前的介入措施各不相同，而且很少有關於參與度或長期影響的現實證據。 4 - 7此外，尚不清楚行動技術介入是否可以識別血壓非常高的個體。

Hello Heart 是一個高血壓自我管理計劃，配有血壓監測器和連接的智慧型手機應用程式（應用程式）。參與該計劃可實現長達 22 週的血壓下降。 8在大量血壓升高或高血壓的人群中，我們調查了參與高血壓自我管理計畫是否與長達 3 年的血壓控制以及極高血壓的風險有關。我們假設更多的參與將與血壓控制和降低極高血壓的風險有關。

‍

方法

研究設計與參與者

這是一項隊列研究，參與者透過參與者（或其配偶）基於雇主的健康計劃使用高血壓自我管理計劃，在美國2015 年1 月1 日至2020 年7 月1 日之間的任何時間點入組。患有血壓升高或高血壓的診斷或保險索賠和/或治療或管理高血壓藥物的藥房索賠的個人被邀請使用郵寄明信片、現場促銷通訊和/或雇主福利在該計劃中註冊打包在線門戶通信。參與是自願的，參與者簽署了服務條款和隱私權政策協議，指定他們的去識別化資料可用於研究。納入標準要求個人（或配偶）是參與該計劃的 21 家公司之一的員工（或配偶），並在研究期間的任何時間在應用程式中記錄至少 2 次血壓測量值。所有參與者資料均已去識別化並安全加密。該計劃符合《健康保險流通和責任法案》。這項去識別化的最低風險研究被批准為豁免，並且 WCG 機構審查委員會授予了知情同意書的豁免。此隊列研究是根據加強流行病學觀察研究報告（ STROBE ）報告指南進行報告的。 9

科技

高血壓自我管理計劃包括美國食品和藥物管理局批准的藍牙血壓監測儀（Zewa UAM-910BT、Zewa UAM-900T 或 A&D UA-651BLE 血壓袖帶）與智慧型手機應用程式配對。參與者透過個人行動裝置追蹤他們的血壓、體重和身體活動。該軟體結合了藥物依從性提醒和基於臨床的數位指導，以推動生活方式的改變（指南推薦的血壓管理非藥物幹預措施），使用基於使用模式的演算法對每個人進行個性化。高血壓自我管理計畫旨在透過整合行動健康最佳實踐（包括易用性、遊戲化、人工智慧、簡單理解和清晰度）來最大限度地提高用戶參與度。該應用程式在集中式行動平台中組織醫療數據，並允許參與者遠端連接到醫生的電子健康記錄，以自動填充實驗室和藥物使用數據。使用者介面有英文和西班牙文版本。

測量值

參與者的基線血壓根據第一週的平均收縮壓進行分類：(1) 正常，收縮壓低於 120 mm Hg； (2) 收縮壓升高在 120 至 129 毫米汞柱之間； (3) I期高血壓，收縮壓在130～139毫米汞柱之間； (4) 2 期高血壓，收縮壓≥140mmHg。任何 180 mm Hg 或更高的收縮壓都被認為是非常高的血壓。

為了評估隨時間變化的血壓，我們在以下時間點評估了中位數收縮壓和舒張壓：第一週（第0 週）和第2 週後（第1-2 週）、第4 週（第3 -4 週）、第6 週（第5-6 週） 、12（第11-12 週）、26（第24-27 週）、52（第48-55 週）、104（第96-111 週）和155（第148-163 週）從第一次血壓讀數開始。鑑於參與者在不同時間加入該計劃，所有參與者的追蹤持續時間並不相同，並且並非所有參與者都提供所有時間點的數據。我們沒有分析超過 163 週的數據。

參與者對程序的參與度按照參與者在定義的血壓測量時間點期間參與應用程式的會話數量進行分類。每個時間點的會話數量經過標準化並在各個時間點進行平均，以形成總體使用者參與度得分。此分數被用作連續變量和分類變量，使用 K 均值演算法將其聚類為 3 組：低、中和高參與度組（補充中的 eMethods）。

當參與者最初下載應用程式時收集人口統計數據，包括年齡、性別、地理位置和關係（員工或配偶）。參與者的合併症，包括憂鬱、焦慮、糖尿病、高膽固醇和吸煙，都是在應用程式中自我報告的。面積剝奪指數由威斯康辛大學鄰裡地圖集定義，並分為五分位數。美國人口普查局定義了10 個美國地區（東北部、中西部、西部或南部）。 11

體重和身高是在應用程式中自我報告的。身體質量指數（BMI；計算方法為體重（公斤）除以身高（米）的平方）是使用自我報告的體重和身高估算的。體力活動是研究期間添加的功能，因此並非所有參與者都可以獲得數據。身體活動按每天的步數進行跟踪，這些數據由 Apple Health (iOS) 或 Google Fit (Android) 應用程式收集。

統計分析

樣本量是透過納入研究期間符合納入標準的所有參與者來確定的。混合模型以收縮壓或舒張壓作為因變量，首次血壓測量和參與組的時間作為固定變量，公司作為隨機變量，在調整或不調整年齡、性別、抑鬱、焦慮、糖尿病等協變量的情況下進行。不存在參與者層級的隨機效應。缺失的血壓值被視為混合效應模型中的缺失值。我們使用迭代插補器對協變數中的缺失資料進行多重插補，透過以循環方式將每個具有缺失值的變數建模為其他變數的函數。由於時間關聯的大小隨時間變化，我們針對 2 個不同的時間範圍（第 0 至 12 週和第 26 至 156 週）執行了特定的線性混合模型。

為了評估敬業度和極高血壓之間的關聯，我們使用混合模型對極高血壓的機率進行了建模，其中敬業度群體作為固定變量，公司作為隨機變量，並根據年齡、性別、憂鬱、焦慮、糖尿病、高膽固醇、吸菸、地區剝奪指數排名以及美國地區。透過計算在接下來的 10 天內血壓隨後下降的參與者的百分比來評估極高血壓後的血壓控制，僅包括在極高血壓的 10 天內至少進行過 1 次測量的參與者。為了評估血壓逐漸升高與血壓極高之間的關聯，採用廣義混合模型（泊松分佈），以血壓極高的參與者百分比（收縮壓升高後的一個月內）作為因變量（血壓極高的人數）分析了高血壓測量值作為目標，總測量值的對數作為附加偏移）、3 週期間測量的血壓值作為獨立固定變量、參與者作為隨機變量。

為了評估體重與血壓降低的關係，我們使用了一個混合模型，以血壓變化（從第一次體重測量的時間到最後一次體重測量的時間）為因變量，BMI變化（最後一次BMI減去第一次BMI）以及BMI起始值作為固定自變量，公司為隨機變數。血壓變化估計如下：對於第一次和最後一次測量的體重，我們搜尋時間最接近的一周並評估其收縮壓和舒張壓中位數。最近一週超過 4 週的病例被排除在外。然後，我們從最後一次體重測量值中減去最接近第一次體重測量值的一周的中位數血壓測量值，以獲得血壓變化值（收縮壓或舒張壓）。使用Statsmodels python模組進行中介分析， 12以收縮壓差異為因變量，參與組為自變量，第一個BMI為協變量，BMI差異為中介。進行了類似的分析，以評估體力活動與血壓降低的關聯，以及體力活動是否介導參與度與血壓變化之間的關聯。

使用 Python 模組 statsmodels 版本 0.12.0 進行統計分析。統計顯著性設定為P = 0.05，統計顯著性檢定採用 2 尾檢定。

‍

結果

基線特徵和參與度

在符合納入標準的28 189 名參與者中，中位年齡(IQR) 為51 歲（43-58 歲），有性別數據的23 326 名參與者中有9 424 名（40.4%）為女性，13 902 名（59.6%）為男性（表1 ）。 ADI 中位數 (IQR) 為 50 (39-59)，794 名參與者 (3.2%) 處於 ADI 最高分位數（即最弱勢）。基線時的中位收縮壓和舒張壓測量值分別為 129.5 mm Hg (120.5-139.6 mm Hg) 和 81.7 mm Hg (75.7-88.4 mm Hg)。每週平均血壓測量次數範圍為低參與度組的中位數 (IQR) 1.3 (0.6-2.8) 到高參與度組的 2.8 (1.5-5.3)（表 2 ）。參與度因性別（補充資料中的表 1）和年齡（補充資料中的表 2）而異。

血壓隨時間變化

該圖顯示了從測量第一週開始，參與者的血壓隨時間的變化，包括正常血壓、血壓升高、1 期高血壓和第 2 期高血壓。基線血壓定義為測量第一週的平均血壓。 934 名基線血壓升高的參與者中，有495 名(53.0%) 的中位收縮壓在第一年降低了；966 名基線1 期高血壓的參與者中，有673 名(69.7%) 降低了；1075 名基線2 期高血壓的參與者中，有920 名(85.7%) 降低了（表3 ).繼續該計劃3 年的參與者保持了較低的水平，與開始升高階段的參與者相比，收縮壓平均(SEM) 降低了7.2 (0.4)、12.2 (0.7) 和20.9 (1.7) 毫米汞柱。一項敏感性分析僅包括第一週內進行了 4 次血壓測量的參與者，並根據 4 次測量的平均值對個體進行分類，結果顯示了類似的模式（補充中的圖 1）。

在開始患有2期高血壓的參與者中，4464人中有2150人（48.2%），1988年有3909人（50.9%），1521人有2590人（58.7%），2007年有1293人（ 64.4%），1323人中有842人（63.6%）， 507 人中的354 人(69.8%) 在第一次測量後分別在4、6、12、26、52 和104 週後改善了血壓控制。同樣，在開始患有1 期高血壓的參與者中，4714 人中有2059 人（43.7%），4090 人中有1882 人（46.0%），2742 人中有1403 人（51.2%），1992 人中有1068 人（53.6%），1505 人中有774 人（51.4%） ，642 人中的 366 人 (57.0%) 分別在 4、6、12、26、52 和 104 週後改善了血壓控制（補充中的圖 2）。血壓控制的改善定義為至少1個階段的改善（例如，從第2階段到收縮壓140毫米汞柱或從第1階段到收縮壓130毫米汞柱）。

隨著時間的推移與 BP 的參與關聯

在混合效應模型中，對應用程式的較高參與度與較低的收縮壓相關，隨著時間的推移，高參與度參與者的模型估計平均收縮壓低於中度參與度或低度參與度參與者（高參與度：131.2 mm Hg） ；95% CI， 115.5-155.8 mm Hg；中度參與度：133.4 mm Hg；95% CI，116.3-159.5 mm Hg；95% CI，117.3-164.8 mm Hg； 。在混合效應模型中，較高的參與度也與較低的舒張壓相關，隨著時間的推移，高參與度參與者的舒張壓低於中度參與度或低度參與度參與者（高參與度：82.0 mm Hg；95% CI 67.5- 97.7 mm Hg；中等參與度：83.5 mm Hg；95% CI， 69.0-100.3 mm Hg；低參與度：84.7 mm Hg；95% CI， 69.0-104.5 Hg；在調整年齡、性別、憂鬱、焦慮、糖尿病、高膽固醇、吸菸、面積剝奪指數和地區後，這些差異仍然存在（補充資料中的表3）。當標準化參與評分被視為連續變數時，也觀察到參與度與血壓之間的關聯，參與度每增加一個單位與較低的收縮壓相關（0.85 mm Hg；95% CI，0.78-0.93 mm Hg ； P <.001） ）和舒張壓（0.60 mm Hg；95% CI，0.55-0.66 mm Hg； P < .001）。

所有參與組的參與者在 0 至 12 週期間每週收縮壓降低 0.5 mm Hg（95% CI，0.3-0.6 mm Hg）（ P < .001）。參與者在 0 至 12 週期間每週舒張壓降低 0.3 mm Hg (95% CI, 0.3-0.4 mm Hg) ( P < .001)。所有參與組直至第 12 週均達到血壓降低（補充資料中的表 4）。從 26 週起，參與者維持血壓，並且沒有觀察到收縮壓或舒張壓的顯著變化。

血壓極高

從 3778 名參與者中觀察到 11 637 次血壓非常高（收縮壓 180 mm Hg）。與中等參與度組 (0.79%; 95% CI, 0.71%-0.87%) 相比，低參與度組中血壓極高的估計機率更大 (1.42%; 95% CI, 1.26%-1.59%) ； P < .001）和高參與度組（0.53%；95% CI，0.45%-0.60%；與兩組相比， P <.001）。在調整年齡、性別、憂鬱、焦慮、糖尿病、高膽固醇、吸菸、面積剝奪指數和地區後，參與度與極高血壓風險之間的關聯仍然具有統計意義。

在極高血壓後 10 天內至少測量 1 次血壓的極高血壓事件中，9474 名參與者中有 8509 名 (89.8%) 的收縮壓低於 180 mm Hg。據觀察，參與者在血壓非常高之前的 30 天內收縮壓逐漸升高，之後 30 天收縮壓迅速下降（補充資料中的圖 3）。在 882 名每周平均收縮壓大於 140 毫米汞柱的參與者中，觀察到 3 週內每周平均收縮壓增加超過 10 毫米汞柱（收縮壓不超過 180 毫米汞柱），我們評估了輸入應用程序的血壓測量值具有非常高血壓的可能性，並發現更多數量的血壓測量與非常高血壓的機率較低相關（補充中的圖 3）。

血壓、參與度、體重指數和體能活動

我們調查了參與度與血壓的關聯是否是由參與者體重指數或體力活動的變化所介導的。可以對 3229 名參與者的體重變化進行評估，這些參與者在 1 個月內記錄了超過 1 次體重；這些是 BMI 分析中唯一包含的參與者。我們發現，BMI 每降低一個單位，收縮壓就會降低 0.74 mm Hg（95% CI，0.19-1.29 mm Hg）。未發現與 BMI 和舒張壓相關。與正常體重（BMI 18.5 至25；平均差，2.36 mm Hg；95% CI，0.93-3.78 mm Hg）或超重（BMI 25 至25）參與者相比，肥胖（BMI 30）參與者的收縮壓下降幅度較大。與體重正常（平均差，1.60 mm Hg；95% CI，0.60-2.59 mm Hg）或超重（平均差，0.97 mm Hg；95% CI，0.26-）的參與者相比，肥胖參與者的舒張壓下降幅度更大。 BMI 變化與參與度無關。中介分析並未證明 BMI 介導了參與度與收縮壓或舒張壓降低之間的關聯。

可以對 590 名參與者的身體活動（以每日步數為代表）進行評估，並在血壓測量的同一周內獲得相關數據。每日步數每增加 1000 步，收縮壓就會降低 0.8 mm Hg (95% CI, 0.08-1.48 mm Hg) ( P = .03)。步數和舒張壓之間沒有統計上的顯著關聯。高參與度組的參與者（平均5236 步/天；95% CI，4881-5590 步/天）比中度參與度組的參與者（平均4552 步/天；95% CI，4131-4974 步/天）有較高的身體活動量/d; P = .02)。低參與度組與其他兩組之間沒有統計上的顯著差異（4841 步/天；95% CI，4086-5596 步/天）。我們發現每日行走部分調節了參與度與血壓降低之間的關聯（調節比例為 17%； P = .04）。與舒張壓沒有統計上的顯著相關性。

‍

討論

在一大群血壓升高或高血壓的個體中，透過血壓監測儀和連接的智慧型手機應用程式以及基於臨床的自動化生活方式指導參與高血壓自我管理計劃與降低血壓相關，追蹤時間長達 3 年。可以觀察到非常高的血壓，隨後將血壓測量到更安全的水平。在擁有客觀測量的體力活動數據的個體中，較高的體力活動部分調節了參與度與較低血壓之間的關聯，這表明自動化生活方式指導可能透過鼓勵個體進行體力活動來部分影響血壓。

先前對行動科技促進的血壓自我管理介入的研究發現，其與血壓控制有顯著關聯。 5 - 7 , 13本研究關於參與血壓控制計劃與現實世界中較低血壓之間的關聯的研究結果與這些結果一致。此外，據我們所知，這是第一個報告高血壓管理數位健康應用的長期經驗的研究，其關聯程度具有潛在的臨床意義。一項透過智慧型手機應用程式進行血壓自我監測和自動生活方式指導的小型、動力不足的研究並未顯示出血壓控制方面的顯著差異，但確實顯示出自信心和身體活動的改善。 14這項研究證實了與體力活動的關聯，並表明體力活動可能部分介導參與度與較低血壓之間的關聯。這與 BP 指南中關於體育活動作為非藥物幹預措施的建議是一致的。 2然而，未來的研究應該評估這種關聯的非線性，因為它可能僅限於低度或中等活動。 15 , 16儘管體重減輕與較低血壓相關，但體重減輕似乎並沒有介導參與度與較低血壓之間的關聯。因此，其他因素可能是導致參與度與較低血壓之間關聯的原因。這些因素可能包括藥物依從性、減少鈉攝取、壓力管理和睡眠管理，這些都是應用程式推薦系統所鼓勵的。

幾乎沒有證據表明移動技術促進的血壓自我管理與極高血壓之間存在關聯；我們的研究表明，參與自我管理計劃可能會降低高血壓的風險。它還表明，即使對於參與度較低的人群，該計劃也可以發揮臨床意義的作用，因為即使在參與度較低的參與者中，該計劃也檢測到非常高的血壓和隨後血壓的改善。

這項研究的優點在於參與血壓自我管理計畫的患者人數眾多，並擁有長達 3 年的真實追蹤數據。先前的研究報告了長達 18 個月的結果。 6儘管並非所有參與者都提供了 3 年的數據，但值得注意的是，一些參與者繼續使用該程序並長期持續控制血壓。此外，這項研究也能夠檢驗客觀測量的體力活動作為參與度和血壓控制之間關聯的中介因素。這是一個重要的發現，可以幫助我們了解自動化生活方式指導如何與血壓控制相關的潛在機制。它也意味著智慧型手機解決方案的不同自動幹預可能與參與度、身體活動和血壓有不同的現實關聯。

由於高血壓是一種常見疾病，會嚴重影響健康，包括心臟病和中風，而傳統策略無法有效地在人群中實現充分的血壓控制，因此必須確定可擴展的干預措施來實現血壓控制。 1 , 2這個血壓自我管理計劃的真實證據表明，血壓監測儀連接到智慧型手機應用程式並提供自動生活方式指導，證明了該策略實現更好血壓控制的潛力。未來的研究應該考察移動技術促進的血壓自我管理幹預措施的有效性和傳播及其在其他環境和人群中的現實有效性，並更深入地研究驅動其對血壓控制的影響的機制。

‍

限制

這項研究有其局限性。這項研究是在擁有雇主資助的健康保險的中年人口中進行的。結果可能不適用於老年人或安全網人群。儘管樣本量非常大，但我們不能排除因失訪而導致選擇偏差的可能性，因為並非所有參與者都一直參與該計劃。健康的堅持者可能更有可能長期繼續該計劃。我們不能排除參與計劃與霍桑效應有關，參與者的行為有所不同，因為他們受到監控。此外，由於未測量的因素，可能會存在殘留的混雜因素。然而，值得注意的是，與年齡、性別、憂鬱、焦慮、糖尿病、高膽固醇、吸菸、地區和社區社會經濟地位的調整相關性顯著。我們不能排除血壓隨著時間的推移而改善代表回歸平均值的可能性，但包括4 次測量平均值的敏感性分析表明了類似的結果，表明單次測量的測量誤差並不是觀察到的差異的唯一解釋。在識別血壓非常高的參與者時可能存在測量誤差。鑑於個人並不總是以準確反映個人身體活動的方式攜帶智慧型手機，因此使用智慧型手機測量身體活動可能存在測量誤差。由於研究的觀察性質，我們無法得出因果結論。

‍

結論

在這項研究中，血壓自我管理計劃的參與者將血壓監測儀連接到智慧型手機應用程序，並提供有關血壓控制的自動生活方式指導，從而實現了血壓的長期控制。這一現實世界的證據表明，行動技術可能有助於血壓監測和控制。

‍

文章訊息

接受發表： 2021 年 7 月 16 日。

發佈時間： 2021 年 10月15 日。

開放取用：這是根據CC-BY-NC-ND 授權條款分發的開放取用文章。 © 2021 Gazit T 等人。 JAMA 網路開放。

通訊作者: Alexis L. Beatty, MD, MAS, 流行病學與生物統計學系, 加州大學舊金山分校, Mission Hall, 全球健康與臨床科學, Box 0560, 550 16th St, San Francisco, CA 94143 ( [email protected] ] ）。

作者貢獻： Gazit 博士可以完全存取研究中的所有數據，並對數據的完整性和數據分析的準確性負責。

‍

‍

‍