自我監測和行動健康改善血壓控制

參與行動科技血壓自我管理計畫的成人高血壓控制評估

作者： Tomer Gazit, PhD1; Michal Gutman, BSc1; Alexis L. Beatty, MD, MAS2

資料來源 美國醫學會期刊

‍

重點

問題：參與行動科技血壓自我管理計畫是否與長期血壓控制有關？

研究結果：在這項針對 28 189 名患有血壓升高或高血壓的美國成人所做的群組研究中，他們參加了一項高血壓自我管理計畫，該計畫使用血壓監測器和連接的智慧型手機應用程式，並提供以臨床為基礎的數位輔導，大部分的參與者在長達 3 年的追蹤期間達到並維持較低的血壓。

意義： 這些研究結果顯示，行動科技高血壓自我管理方案可能有助於現實世界的血壓監控。

‍

摘要

重要性-目前尚不清楚行動科技高血壓自我管理方案是否與血壓 (BP) 控制有關。

目的- 研究使用血壓監測器和連接智慧型手機應用程式的高血壓自我管理計畫與臨床數位輔導在長達三年的追蹤期間是否與血壓控制有關。

設計、設定與參與者- 本群組研究招募了 2015 年 1 月 1 日至 2020 年 7 月 1 日期間血壓升高或高血壓的美國成年人。高血壓自我管理計畫透過參與者（或其配偶）的雇主健康計畫提供。

Exposures- 計劃參與度，以平均申請次數界定。

主要結果與量測- 由美國食品藥物管理局認可的血壓計測量收縮壓和舒張壓，分為正常 (收縮壓 120 mm Hg)、升高 (收縮壓 120-129 mm Hg)、高血壓 1 期 (收縮壓 130-139 mm Hg) 和高血壓 2 期 (收縮壓 140 mm Hg)。其他測量項目包括年齡、性別、抑鬱、焦慮、糖尿病、高膽固醇、吸煙、地理區域、地區匱乏指數、自我報告的體重，以及設備測量的體力活動（每日步數）。

結果- 在 28 189 位參與者 (中位數 [IQR] 年齡 51 [43-58] 歲；9424 位女性 [40.4%]；13 902 位男性 [59.6%])中，基線收縮壓的中位數為 129.5 mm Hg (120.5-139.6 mm Hg)，舒張壓為 81.7 mm Hg (75.7-88.4 mm Hg)。934 位參加者中有 495 位 (53.0%) 基線血壓升高，966 位參加者中有 673 位 (69.7%) 基線高血壓 1 期，1075 位參加者中有 920 位 (85.7%) 基線高血壓 2 期，1 年後的中位收縮壓至少改善 1 級。與基線血壓升高、1 期高血壓和 2 期高血壓相比，參與計劃 3 年的參與者的收縮壓平均值 (SEM) 分別降低了 7.2 (0.4)、12.2 (0.7) 和 20.9 (1.7) mm Hg。隨著時間的推移，參與程度越高，收縮壓就越低（高參與組：131.2 mm Hg；低參與組：131.2 mm Hg）：131.2 mm Hg; 95% CI, 115.5-155.8 mm Hg; 中等參與組：133.4 mm Hg; 95% CI 116.3-159.5 mm Hg; 低參與組：135.5 mm Hg；95% CI，117.3-164.8 mm Hg；P . 001）；在調整年齡、性別、抑鬱、焦慮、糖尿病、高膽固醇、吸煙、地區匱乏指數排名和美國地區後，這些結果仍然存在，而更多的體能活動則部分地調節了這些結果。從 3778 位參與者中觀察到 11 637 次出現極高 BP（收縮壓 180 mm Hg）。較高的參與度與較低的極高 BP 風險相關；與中等參與度組 (0.79%; 95% CI, 0.71%-0.87%;P.001) 及高參與度組 (0.53%; 95% CI, 0.45%-0.60%;P.001) 相比，低參與度組 (1.42%; 95% CI, 1.26%-1.59%) 發生極高 BP 的估計概率較高。

結論與相關性- 本研究的結果顯示，行動科技高血壓自我管理方案可支援長期的血壓控制和極高血壓偵測。此類程式可改善現實世界中的血壓監測與控制。

‍

簡介

約 47% 的美國成年人患有高血壓，而據估計，只有 22% 的高血壓患者能夠充分控制血壓 (BP)。1已經提出了自我血壓監測作為一種干預來實現更好的 BP 控制。2然而，研究表明，如果沒有生活方式輔導等其他共同干預，僅靠自我血壓監測不足以降低 BP。

4研究顯示，行動科技干預與降低收縮壓和舒張壓有關。5-7 不過，先前的干預方式各有不同，而且有關參與度或長期效果的真實世界證據甚少。4-7此外，行動科技干預是否能識別出血壓極高的個人，目前仍是未知之數。

Hello Heart 是一項高血壓自我管理計畫，配備血壓監測器和連接的智慧型手機應用程式 (App)。8在大量血壓升高或高血壓的人群中，我們調查了高血壓自我管理計劃的參與是否與長達 3 年的血壓控制以及極高血壓的風險有關。我們假設，參與程度越高，血壓控制越好，罹患極高血壓的風險也越低。

‍

方法

研究設計與參與者

這是一項群組研究，研究對象為在 2015 年 1 月 1 日至 2020 年 7 月 1 日之間任何時間點，透過參與者（或其配偶）的雇主醫療計劃參加高血壓自我管理計劃的參與者。使用郵寄的明信片、現場促銷通訊和/或雇主的福利包線上入口通訊，邀請有血壓或高血壓診斷或保險索賠、和/或高血壓治療或管理藥物藥房索賠的個人註冊本計畫。參與屬於自願性質，參與者簽署服務條款及隱私權政策協議，訂明他們的身份識別資料可用於研究。納入標準要求個人（或配偶）是參與計畫的 21 家公司中其中一家的員工（或配偶），並在研究期間隨時在應用程式中記錄至少 2 次 BP 量測。所有參與者的資料均已解除身分識別並安全加密。該計畫符合健康保險可攜性與責任法案 (Health Insurance Portability and Accountability Act)。這項風險極低的去身份化研究獲准豁免，並由 WCG 機構審查委員會批准豁免知情同意書。本群組研究依據「加強流行病學觀察研究報告」(STROBE) 報告準則進行報告。

科技

高血壓自我管理計畫採用美國食品藥物管理局認可的藍牙血壓計 (Zewa UAM-910BT、Zewa UAM-900T 或 A&D UA-651BLE 血壓袖帶) 搭配智慧型手機應用程式。參與者透過個人行動裝置追蹤血壓、體重和體能活動。該軟體結合了用藥依規性提醒和臨床數位輔導，利用基於使用模式的演算法，針對每個人進行個人化，以推動生活型態的改變 (血壓管理指南所建議的非藥物干預)。高血壓自我管理計畫的設計結合了行動健康的最佳實務，包括易用性、遊戲化、人工智慧、簡單易懂和清晰度，以最大化使用者的參與。該應用程式將醫療資料集中整理在一個移動平台上，並允許參與者遠端連接至其醫生的電子健康記錄，以自動填充實驗室和藥物使用資料。使用者介面提供英文和西班牙文版本。

測量

根據第一週的平均收縮壓，將參與者的血壓基線分類：(1) 正常，收縮壓低於 120 mm Hg；(2) 升高，收縮壓介乎 120 至 129 mm Hg；(3) I 期高血壓，收縮壓介乎 130 至 139 mm Hg；或 (4) 2 期高血壓，收縮壓 140 mm Hg 或以上。任何收縮壓在 180 mm Hg 或以上都被視為極高血壓。

為了評估隨時間變化的血壓，我們評估了以下時間點的收縮壓和舒張壓中位數值：第一週 (第 0 週) 以及第一次血壓讀數後的第 2 週 (第 1-2 週)、第 4 週 (第 3-4 週)、第 6 週 (第 5-6 週)、第 12 週 (第 11-12 週)、第 26 週 (第 24-27 週)、第 52 週 (第 48-55 週)、第 104 週 (第 96-111 週) 和第 155 週 (第 148-163 週)。由於參加者在不同時間加入計畫，因此並非所有參加者的追蹤時間都相同，而且並非所有參加者都提供所有時間點的資料。我們沒有分析 163 週以後的資料。

參與者對計畫的投入度，是根據參與者在所定義的 BP 測量時間點中，參與應用程式的階段次數來分類。每個時間點的階段次數都經過規範化，並在各時間點間求取平均值，以形成整體使用者投入度得分。使用 K-means 演算法將這個分數聚類為三個群組：低、中、高參與群組。 補充資料).

人口統計資料在參加者初次下載應用程式時收集，包括年齡、性別、地理位置和關係（員工或配偶）。參與者的併發症，包括憂鬱症、焦慮症、糖尿病、高膽固醇和吸煙，均在應用程式中自我報告。10美國地區（東北部、中西部、西部或南部）由美國人口普查局定義。

體重和身高是在應用程式中自行報告的。身體質量指數 (BMI; 以公斤為單位的體重除以以米為單位的身高平方) 是根據自我報告的體重和身高估算出來的。體力活動是在研究期間新增的功能，因此並非所有參與者都有相關資料。體力活動以每日步數追蹤，步數由 Apple Health (iOS) 或 Google Fit (Android) 應用程式收集。

統計分析

研究期間所有符合納入標準的參與者均納入研究，以決定樣本數量。以收縮壓或舒張壓為因變數、首次測量血壓的時間和參與組別為固定變數、公司為隨機變數的混合模型，在調整或不調整年齡、性別、抑鬱、焦慮、糖尿病、高膽固醇、吸煙、地區匱乏指數排名和美國地區等輔變數的情況下，針對血壓或高血壓升高的參與者進行分析。沒有參與者層級的隨機效應。缺失的 BP 值在混合效果模型中被視為缺失值。我們使用迭代推算器對共變數中的缺失資料進行多重推算，方法是將有缺失值的每個變數作為其他變數的函數，以輪循方式建立模型。由於時間的關聯程度會隨時間改變，因此我們針對 2 個不同的時間範圍執行特定的線性混合模型：第 0 到 12 週和第 26 到 156 週。

為了評估參與度與極高 BP 之間的關係，我們使用混合模型來建立極高 BP 發生概率的模型，參與度群組為固定變數，公司為隨機變數，同時調整或不調整年齡、性別、抑鬱、焦慮、糖尿病、高膽固醇、吸煙、地區匱乏指數排名以及美國地區。血壓極高之後的血壓控制是透過計算在接下來 10 天內血壓隨後下降的參與者百分比來評估，其中只包括在血壓極高的 10 天內至少測量 1 次的參與者。為了評估血壓逐漸升高與 BP 極高之間的關聯性，採用廣義混合模型 (Poisson 分布)，以 BP 極高的參與者百分比 (收縮壓升高後的一個月內) 為因變數 (以 BP 極高的測量次數為目標，總測量次數的對數為附加抵銷)，3 週期間測量的 BP 次數為獨立固定變數，參與者為隨機變數，進行分析。

為了評估體重與 BP 下降的關係，我們使用混合模型，以 BP 變化（從第一次測量體重到最後一次測量體重）為因變數，BMI 變化（最後一次 BMI 減去第一次 BMI）與 BMI 起始值為固定自變數，公司為隨機變數。BP 變化的估算方式如下：對於第一次和最後一次測量的體重，我們尋找時間上最接近的一週，並評估其收縮壓和舒張壓的中值。如果最接近的一週超過 4 週，則排除該個案。然後將最接近第一次體重測量的那一周的 BP 量測中值減去最後一次體重測量的中值，以獲得 BP 變化值（收縮壓或舒張壓）。使用 Statsmodels python 模組12進行中介分析，收縮壓差異為因變數，參與組別為自變數，首次 BMI 為輔助因素，BMI 差異為中介因素。進行類似的分析，以評估體能活動與 BP 降低的關係，以及體能活動是否介導參與度與血壓變化之間的關係。

統計分析使用 Python 模組 statsmodels 版本 0.12.0 進行。統計顯著性設定為P= .05，統計顯著性測試為雙尾測試。

‍

結果

基線特徵與參與度

在符合納入標準的 28 189 位參與者中，年齡中位數為 51 歲 (43-58歲)，23 326 位有性別資料的參與者中，9424 位 (40.4%)為女性，13 902 位 (59.6%) 為男性 (表一).ADI 中位數 (IQR) 為 50 (39-59)，794 位受试者 (3.2%) 屬於最高 ADI 四分位數 (即最弱)。基線時的收縮壓與舒張壓量測中位值 (IQR) 分別為 129.5 mm Hg (120.5-139.6 mm Hg) 與 81.7 mm Hg (75.7-88.4 mm Hg)。每週測量血壓的平均次數從低參與群組的 1.3 (0.6-2.8) 次 (IQR) 到高參與群組的 2.8 (1.5-5.3) 次 (表 2)。表二).參與度因性別而異 (eTable 1 in the 補充資料）和年齡（表 2 補充).

BP 隨時間的變化

圖 圖表顯示血壓正常、血壓升高、高血壓 1 期和高血壓 2 期參與者自測量第一週起的血壓變化。基線 BP 定義為測量第一週的平均 BP。基線 BP 升高的 934 名參與者中有 495 人 (53.0%)、基線 1 期高血壓的 966 人中有 673 人 (69.7%) 以及基線 2 期高血壓的 1075 人中有 920 人 (85.7%) 的中位收縮壓在第 1 年有所降低 (表 3)。表 3).持續參與計劃 3 年的參與者維持了這些較低的水平，與基線相比，開始時高血壓升高、1 期和 2 期的參與者收縮壓平均 (SEM) 分別降低了 7.2 (0.4)、12.2 (0.7) 和 20.9 (1.7) mm Hg。敏感性分析僅包括在第一週測量 4 次 BP 的參與者，並根據 4 次測量的平均值將個人分門別類，顯示出類似的模式 (附錄中的 eFigure 1)。 補充).

在高血壓 2 期的參加者中，4464 位參加者中有 2150 位 (48.2%)、3909 位參加者中有 1988 位 (50.9%)、2590 位參加者中有 1521 位 (58.7%)、2007 位參加者中有 1293 位 (64.4%)、1323 位參加者中有 842 位 (63.6%) 以及 507 位參加者中有 354 位 (69.8%) 在首次測量後 4、6、12、26、52 以及 104 週後分別改善了血壓控制。同樣地，在開始時患有第一階段高血壓的參與者中，4714 位中有 2059 位 (43.7%)、4090 位中有 1882 位 (46.0%)、2742 位中有 1403 位 (51.2%)、1992 位中有 1068 位 (53.6%)、1505 位中有 774 位 (51.4%) 以及 642 位中有 366 位 (57.0%) 在 4、6、12、26、52 及 104 週後分別改善了血壓控制 (附圖 2)。 補充).BP 控制改善的定義為至少 1 個階段的改善 (例如，從第 2 階段至收縮壓 140 mm Hg 或從第 1 階段至收縮壓 130 mm Hg)。

隨著時間的推移，參與與 BP 的關係

在混合效應模型中，應用程式的參與程度越高，收縮壓就越低，高參與程度參與者在一段時間內的模型估算平均收縮壓比中等參與程度或低參與程度參與者低 (高參與程度：131.2 mm Hg；95% CI：115.5-155.8 mm Hg；中等參與程度：131.2 mm Hg：131.2 mm Hg；95% CI，115.5-155.8 mm Hg；中度參與：133.4 mm Hg；95% CI，115.5-155.8 mm Hg）：133.4 mm Hg；95% CI，116.3-159.5 mm Hg；低參與者：135.5 mm Hg; 95% CI, 117.3-164.8 mm Hg;P.001）。在混合效應模型中，更高的參與度也與舒張壓較低有關，隨著時間的推移，高參與度參與者的舒張壓比中等參與度或低參與度參與者低（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 mm Hg；P.001）。在調整年齡、性別、抑鬱、焦慮、糖尿病、高膽固醇、吸煙、地區匱乏指數和地區後，這些差異仍然存在 (eTable 3 in the 補充資料).當歸一化參與度分數被視為連續變數時，也觀察到參與度與 BP 之間的關係，參與度每增加一個單位，就會降低收縮壓 (0.85 mm Hg; 95% CI, 0.78-0.93 mm Hg;P.001) 及舒張壓 (0.60 mm Hg; 95% CI, 0.55-0.66 mm Hg;P.001)。

從 0 到 12 週期間，在所有參與組別中，參與者每週的收縮壓降低 0.5 mm Hg (95% CI, 0.3-0.6 mm Hg)（P.001）。參與者在 0 到 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)。直到第 12 週，所有參與組別的血壓都有降低 (見附錄中的表 4)。 補充).從第 26 週開始，參與者的血壓維持不變，也沒有觀察到收縮壓或舒張壓的顯著變化。

極高血壓

在 3778 位參與者中，觀察到 11 637 次出現極高血壓 (收縮壓 180 mm Hg)。與中度參與組 (0.79%; 95% CI, 0.71%-0.87%;P.001) 及高度參與組 (0.53%; 95% CI, 0.45%-0.60%;P.001) 相比，低度參與組 (1.42%; 95% CI, 1.26%-1.59%) 發生極高血壓的估計概率較高。在調整年齡、性別、抑鬱、焦慮、糖尿病、高膽固醇、吸煙、地區匱乏指數和地區後，參與度與極高 BP 風險之間的關係仍具有統計顯著性。

在血壓極高事件發生後 10 天內至少測量一次血壓的情況下，9474 位參與者中有 8509 位（89.8%）的收縮壓低於 180 mm Hg。據觀察，參與者在血壓極高之前的 30 天內，收縮壓逐漸升高，而在血壓極高之後的 30 天內，收縮壓迅速降低 (附圖 3)。 補充).在每周平均收縮壓超過 140 mm Hg 的 882 名參與者中，觀察到他們的每周平均收縮壓在 3 週內增加超過 10 mm Hg（收縮壓未達 180 mm Hg），我們評估了輸入應用程式的血壓測量次數與極高血壓發生機率的關係，發現較多的血壓測量次數與較低的極高血壓發生機率相關（附圖 3）。 補充).

血壓、參與、BMI 和體能活動

我們研究了參與度與 BP 的關係是否受到參與者 BMI 或體能活動變化的影響。有 3229 名參與者相隔 1 個月以上記錄了 1 次以上的體重變化，這些人是唯一被納入 BMI 分析的參與者。我們發現，BMI 每下降一個單位，收縮壓就會下降 0.74 mm Hg (95% CI, 0.19-1.29 mm Hg)。未發現 BMI 與舒張壓有任何關聯。與正常體重 (BMI 18.5 至 25；平均差異為 2.36 mm Hg；95% CI 為 0.93-3.78 mm Hg) 或超重 (BMI 25 至 30；平均差異為 1.57 mm Hg；95% CI 為 0.56-2.59 mm Hg；交互作用的 P 為 .001)的受試者相比，肥胖 (BMI 30) 的受試者的收縮壓下降幅度更大。與體重正常者 (平均差異為 1.60 mm Hg; 95% CI, 0.60-2.59 mm Hg) 或超重者 (平均差異為 0.97 mm Hg; 95% CI, 0.26-1.67;P for interaction .001)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 (Mediation Analysis) 並未顯示 BMI 會中介參與與收縮壓或舒張壓降低之間的關係。

以每日步數代表的體能活動，可評估 590 名參與者的血壓測量結果。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)。步數與舒張壓之間並無顯著的統計關係。高參與組 (平均 5236 步/天；95% CI, 4881-5590 步/天) 的參與者運動量高於中等參與組 (4552 步/天；95% CI, 4131-4974 步/天；P= .02)。低度參與組與其他兩組 (4841 步/天；95% CI, 4086-5596 步/天) 的差異在統計學上並不顯著。我們發現，每日步數部分調和了參與度與 BP 降低之間的關係 (調和比例為 17%;P= .04)。在統計學上，與舒張壓的關聯並不顯著。

‍

討論

在一大群血壓升高或高血壓的個人中，參與高血壓自我管理計畫，使用血壓監測器和連接的智慧型手機應用程式，並配合以臨床為基礎的自動化生活型態輔導，可降低血壓，隨訪時間長達 3 年。可以觀察到非常高的血壓，隨後的血壓測量在較安全的水平。在可獲得客觀測量的體力活動資料的個人中，較高的體力活動部分中介了參與與較低 BP 之間的關係，顯示自動化生活型態輔導可能部分透過鼓勵個人進行體力活動來影響 BP。

5-7,13本研究發現，在真實世界環境中，參與血壓控制計畫與降低血壓的關係與上述研究結果一致。此外，據我們所知，這是第一項報告長期使用數位健康應用程式進行高血壓管理經驗的研究，其關聯程度可能具有臨床意義。一項透過智慧型手機應用程式進行血壓自我監測與自動化生活型態輔導的小型、效力不足的研究，並未顯示血壓控制的顯著差異，但卻顯示自信心與體能活動的改善。15,16雖然體重下降與血壓降低有關，但體重下降似乎無法中介參與與血壓降低之間的關係。15,16 雖然體重下降與血壓降低有關，但體重下降似乎無法中介參與與血壓降低之間的關係。這些因素可能包括藥物依從性、減少鈉攝取、壓力管理及睡眠管理，這些都是應用程式的建議系統所鼓勵的。

有關行動技術輔助的血壓自我管理與極高血壓關係的證據尚未發表；我們的研究顯示，參與自我管理計畫可能與較低的極高血壓風險有關。我們的研究還顯示，即使對於較少參與的人群而言，這項計畫也能發揮有臨床意義的作用，因為即使對於較少參與的參與者而言，這項計畫也能偵測到極高的血壓以及隨後血壓的改善。

本研究的優點在於有大量病患參與血壓自我管理計畫，並提供長達 3 年的實際追蹤資料。6 儘管並非所有參與者都提供了 3 年的資料，但值得注意的是，有些參與者持續使用該計畫，且血壓控制長期持續。此外，本研究能夠將客觀測量的體力活動視為參與與血壓控制之間關聯的中介。這是一項重要的發現，有助於我們瞭解自動化生活方式輔導如何與 BP 控制相關聯的潛在機制。這也意味著智能手機解決方案的不同自動化干預可能與參與度、體力活動和血壓有不同的真實世界關聯。

由於高血壓是一種常見疾病，會造成嚴重的健康後果，包括心臟病和中風，而傳統的策略無法有效達到足夠的人群血壓控制，因此找出可達到血壓控制的可擴展性干預措施是當務之急。1,2這份關於血壓監測器連接至智慧型手機應用程式的血壓自我管理計畫與自動化生活型態輔導的真實世界證據，展示了此策略在達到更佳血壓控制的潛力。未來的研究應檢視行動技術輔助的血壓自我管理干預在其他環境和人群中的功效和傳播，以及其在現實世界中的有效性，並深入探究其對血壓控制效果的驅動機制。

‍

限制條件

本研究有其限制。研究對象為擁有雇主贊助健康保險的中年人。研究結果可能不適用於年長者或安全網人口。儘管樣本數量非常大，我們仍無法排除因後續追蹤損失而導致選擇偏差的可能性，因為並非所有參與者都長期參與該計畫。健康的參與者可能更有可能長期參與該計畫。我們無法排除參與計劃與霍桑效應有關，參與者因為受到監控而有不同的行為。此外，也可能有未測量因素造成的殘餘混淆。不過，值得注意的是，在調整年齡、性別、憂鬱、焦慮、糖尿病、高膽固醇、吸煙、地區和鄰近社會經濟狀況後，這些因素的關係仍很顯著。我們無法排除血壓隨時間改善代表向平均值回歸的可能性，但包括 4 次測量平均值的敏感性分析顯示出類似的結果，顯示單次測量的測量誤差並非觀察到差異的唯一解釋。在識別血壓極高的參與者時可能存在測量誤差。由於個人攜帶智慧型手機的方式並不總是能夠準確反映個人的體力活動，因此在使用智慧型手機量測體力活動時可能會出現測量誤差。由於研究的觀察性質，我們無法做出因果關係的結論。

‍

結論

在這項研究中，參與血壓自我管理計畫的人使用連接至智慧型手機應用程式的血壓監測器，並搭配自動化生活方式輔導來控制血壓，達到長期控制血壓的效果。這項真實世界的證據顯示，行動技術可能有助於血壓監測與控制。

‍

文章資訊

已接受出版：2021 年 7 月 16 日。

已發佈：10月15日，2021.doi:10.1001/jamanetworkopen.2021.27008

開放存取：這是一篇根據 CC-BY-NC-ND 授權條款發佈的開放存取文章。© 2021 Gazit T et al.JAMA Network Open.

通訊作者：Alexis L. Beatty, MD, MAS, Department of Epidemiology & Biostatistics, University of California, San Francisco, Mission Hall, Global Health and Clinical Sciences, Box 0560, 550 16th St, San Francisco, CA 94143 ([email protected]).

作者貢獻：Gazit 博士可完全存取研究中的所有資料，並對資料的完整性和資料分析的準確性負責。

‍

‍

‍