抑郁症计算机化治疗的效果及其影响因素：基于RCT的元分析与元回归分析，本文主要内容关键词为：抑郁症论文,因素论文,效果论文,RCT论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
1 问题提出 近年来随着计算机网络化、信息化的发展，一些研究者根据心理治疗的特点，设计了抑郁症的计算机化治疗系统，使心理治疗更便利，让更多人获得有效帮助。目前Beating the Blues、MoodGYM、E－Couch和Good Days Ahead等抑郁症计算机化治疗程序在西方使用较为广泛。已有文献综述研究(任志洪，黎冬萍，江光荣，2011)发现，该疗法较受病人接纳、具有较高的成本效用和易用性，且现有实验研究也证明了抑郁症采用CCBT(Computerised Cognitive Behavioural Therapy,CCBT)有一定的效果，但整体上效果量如何，以及影响治疗有效性的因素还不清晰。 最近的文献研究(Haug,Nordgreen,
st,& Havik,2012)发现，抑郁症计算机化治疗的研究存在着异质性，其干预效果并非都是积极的。比如，有研究者(Scheibmair,2011)通过随机对照组实验设计，研究“Overcoming Depression”的治疗效果，结果显示治疗组与对照组的效果差异并不显著。提示着有必要去鉴别和理解影响治疗效果的预测和调节变量，这有助于我们离析影响抑郁症计算机化治疗效果的因素，为后续改进研究及提高治疗效果提供帮助。 而近年来新增大量的相关研究为更深入地考察影响治疗效果的预测和调节变量提供了可能。因此，在前人相关元分析(Andersson & Cuijpers,2009; Richards & Richardson,2012)的基础上，我们聚焦于考察被试特征、干预特征、研究设计特征和效果测量对抑郁症计算机化治疗效果的影响。 2 研究方法 2.1 文献检索 研究对文献进行了系统的检索，主要有三个步骤(Borenstein,Hedges,Higgins,& Rothstein,2009)：首先，对数据进行初步的检索，以确定关键词，接着对这些关键词进行组合。根据系统文献研究的建议(Wieseler & McGauran,2010)，把检索内容分解为：干预措施(Internet,online,on－line,web,website,webpage,web－based,www,cyber,cyberspace,computer)；结果指标(depression、depressed、depressive)；再加两个干预与治疗词汇“intervention、treatment”进行组合配对，共产生66个查询组合。接着，根据这些关键词查询组合，在PubMed、PsycINFO、Embase和Web of Science四个数据库进行论文检索，检索摘要包含上述关键词组的文献。检索时间范围为2002年1月至2013年6月。 2.2 纳入与排除标准 文献纳入和排除标准为：研究类型纳入随机对照组研究(RCT)，排除非RCT研究或对照组定义不清晰的研究；对象为青少年和成年人；干预类型纳入包含“Internet、online、on－line、web、website、webpage、web－based、www、cyber、cyberspace、computer”关键词的干预，边缘纳入包括治疗程序存储于CD－ROM，USB记忆棒或局域网中；治疗机制为自动化干预，即“人—机”对话方式的治疗，排除主要是以计算机为媒介的交流(“人—人”对话)，比如治疗师通过计算机来实现E－mail咨询、论坛交流、视频咨询等方式；结果变量纳入抑郁症状测量研究，排除无法抽取效果量或测量治疗成分的研究。 2.3 效果量计算及分析模型 本研究采用comprehensive meta－analysis V2.0(CMA)(Borenstein,Hedges,Higgins,& Rothstein,2005)进行元分析。对于同一篇文献有多组计算机化治疗比较研究或采用多份量表测量，我们同时都纳入多组、多测量量表比较结果。使用Cohen's d作为治疗后测实验组与对照组的效果量。效果量大小的评价标准为：.8为大效果量；.5为中等；.2为小效果量(Cohen,1988)。 考虑到已有相关研究(Haug et al.,2012)显示抑郁症计算机化治疗的异质性，元分析采用随机效应模型(random－effects model)。采用I2、p值、Q值考察其异质性，也报告p值与Q统计值。 2.4 调节变量编码 亚组分析有助于离析影响抑郁症计算机化治疗效果的因素。根据前人的研究结论结合本研究所关注的内容，我们把亚组分为：被试特征、研究设计特征、干预模式和测量量表四大类调节变量，对所有的研究进行编码，计算各亚组的单独平均效果量以及它们的组间差异。对于出版年份、脱落率和干预单元数等连续变量采用元回归分析(meta－regression)考察其对治疗效果的调节作用。最后，根据一些学者(Borenstein et al.,2009)的建议，我们抽取所有研究的20％，由两名研究者进行分别编码，协商一致后确定最终编码。 3 结果 3.1 纳入文献基本描述 本研究最终纳入元分析的50篇文献，有42个随机对照组实验，67个有效元分析样本(有同一研究采用多种测量量表)；研究样本共7920人，其中计算机化干预组4208人，对照组3712人；有42篇研究对象为成年人，8篇是面向青少年群体；有6篇被试为重性抑郁①患者；被试主要来源社区(24篇)和初级保健、二级保健(9篇)，其余来源于学校9篇，工作场所1篇，住院病人1篇。 采用的干预程序最多的是MoodGYM；干预模块数为1～11，其中集中于5～8个模块；抑郁症状的测量量表主要采用BDI(25篇)和CES－D(10篇)；所采用的分析方法主要是意向治疗分析(38篇)，少部分采用完成治疗分析(9篇)，其中3篇文献同时采用两种分析方式。 大多数的计算机化干预基于CBT原理，也有4篇文献基于问题解决治疗(problem－solving therapy,PST)，1篇基于心理动力学原理(Johansson et al.,2012)，1篇结合了行为激活(behavioral activation,BA)和接纳与承诺疗法(acceptance and commitment therapy,ACT)。 3.2 整体效果量估计 表1呈现整体效果量、3个月和6个月追踪效果量及同质性检验结果。抑郁症计算机化治疗的整体效果为.53，中等效果量；3个月追踪效果量为.14；6个月追踪效果量为.16。I2的值为72.29，表明72.29％的观察变异是由于效应值的真实差异造成的。
进一步考察出版偏差的影响。如漏斗图(图1)所示，可以看出，该漏斗图左右并不对称，可能存在着出版偏差。当然，漏斗图对出版偏差的评价较为主观，因此进一步采用Begg和Mazumdar秩相关检验与Egger线性回归两种统计方法进行检测(Ellis,2010)。Begg和Mazumdar秩相关检验结果显示，Z＝2.52，p＜.01；Egger线性回归显著，t＝5.27，df＝65，p＜.001。两种统计结果都显著，提示研究很可能存在出版偏差。
图1 抑郁症计算机化治疗出版偏差漏斗图 采用失安全系数(fail－safe number)考察出版偏差对当前结论的影响。失安全系数是推翻当前合并结论或使当前合并结论逆转所需要的结果相反的研究个数。失安全系数越大，说明元分析的结果越稳定，结论被推翻的可能性越小(Rothstein,Sutton,& Borenstein,2005)。本研究中失安全系数为7488。即需要7488个相反的研究结论，才能推翻本研究结论。 3.3 影响效果量的亚组分析 亚组分析旨在考察研究特征对效果量的影响。本研究亚组特征主要关注年龄段、抑郁严重程度、干预方式、干预取向、支持方式、测量量表和分析方法对治疗效果量的影响，其分析结果如表2所示。
从表2可知，所有亚组自我报告抑郁水平的后测值都有显著下降，但聚合效果量有所差异。在年龄段、抑郁严重程度、支持方式和测量量表四个亚组分析中，效果量存在显著差异：成人群体的治疗效果显著高于青少年群体(成人：d＝.59；青少年：d＝.24，p＜.001)；重性抑郁的治疗效果量显著高于非重性抑郁(重性抑郁：d＝.73；非重性抑郁：d＝.48，p＝.003)；不同测量量表的治疗效果量存在显著差异(BDI:d＝.63；CES－D:d＝.36，p＝.008)。 支持方式的4种类别的治疗效果量存在显著差异(面对面支持：d＝.58；E-mail支持：d＝.70；电话支持：d＝.46；无支持，d＝.40，p＝.038)。进一步两两比较发现，E-mail支持组治疗效果量高于无支持组(Q＝7.19，p＜.01)；其他组之间的两两比较差异不显著。 干预方式(网络：d＝.54；单机：d＝.38，p＝.13)、干预取向(CBT:d＝.52；PST:d＝.48，p＝.55)和分析方法(完整治疗：d＝.53；意向治疗：d＝.53，p＝.97)3个亚组分析中，效果量不存在显著差异。 3.4 影响效果量的元回归(meta－regression)分析 采用元回归分析考察出版年份、脱落率和干预单元数对治疗效果量的影响，结果如表3所示。
表3显示，在总体样本中，出版年份显著影响治疗效果量(B＝－.0273，p＜.001；见图3)，且在CES－D样本(B＝－.0458，p＜.001)中也得到一致的结果，即随着出版年份的增加，治疗效果量呈上升趋势。 脱落率对总体样本治疗效果量影响不显著(B＝－.0028，p＝.12)，但细分各个不同的测量量表却发现脱落率显著影响着CES－D样本(B＝.0106，p＜.001)的治疗效果量，即脱落率负向影响治疗效果量。 干预单元数在CES－D样本(B＝.0689，p＝.01)影响显著；在总体样本(B＝.0016，p＝.86)和BDI样本(B＝－.0313，p＝.08)对治疗效果的影响并不显著。
图3 出版年份对抑郁症计算机化治疗总体效果量的影响 4 讨论 聚焦于采用RCT的抑郁症计算机化治疗效果及其影响因素研究。研究发现，抑郁症计算机化治疗的整体效果为.53，为中等效果量；三个月追踪为小效果量(d＝.14)；在6个月后追踪仍为小效果量(d＝.16)。采用亚组分析考察研究特征对治疗效果量的调节作用，发现所有亚组自我报告抑郁水平的后测值都有显著下降，但聚合效果量有所差异。在年龄段、抑郁严重程度、支持方式和测量量表四个亚组分析中，效果量存在显著差异。 进一步区分年龄段，发现成人与青少年群体之间的效果量存在显著差异：在成人群体具有中等效果量(d＝.59)，而已有的元分析则只有较小效果量(Andersson & Cuijpers,2009; Barak,Hen,Boniel－Nissim,& Shapira,2008; Griffiths & Christensen,2006)；青少年群体中效果量较小仅为.24。这很可能有两方面原因：其一是因青少年群体的特殊性，针对该群体的抑郁干预可能更关注预防层面，导致目前治疗层面的研究较少(n＝11)；其二是大量的干预程序设计基于成年人的视角和呈现方式，可能并不适合青少年的认知加工特点，导致呈现的干预内容青少年难于理解，影响干预效果。 重性抑郁效果量显著高于非重性抑郁，即计算机化治疗对重性抑郁患者的治疗有效性显著高于非重性抑郁病人。这一发现与以往对重性抑郁症心理治疗效果的一般认识有所偏差，但与最近针对抑郁症面对面心理治疗效果的元分析(Driessen et al.,2010)结论一致，即抑郁程度越严重者，其干预效果越好。有学者(Spek,Nyklícek,Cuijpers,& Pop,2008)认为可能原因是，重性抑郁具有基线较高的抑郁水平(如BDI测量值)，其治疗后测可改变的空间则较大，也就是说其统计意义上的显著可能性也相应提高。 在干预取向方面，计算机化的CET与PST，二者疗效差异并不显著。这与在传统面对面咨询的研究结果较为一致：最近的一项针对成人抑郁症的治疗效果元分析(Cuijpers,van Straten,Bohlmeijer,Hollon,& Andersson,2010)发现，目前7种不同心理治疗取向(认知行为疗法、非指导性疗法、行为激活疗法、心理动力学疗法、问题解决疗法、人际关系治疗和社会技能训练，共53个研究)对抑郁症的治疗效果差异并不显著，没有一种取向的治疗优于其他治疗。 专业人员或管理员的支持影响治疗效果量。支持与无支持的元分析比较并不新鲜，已有的研究(Cuijpers,van Straten,Warmerdam,& Andersson,2009)发现有支持的计算机化治疗效果显著高于无支持治疗。本研究进一步把支持的类别分为E-mail支持、电话提醒和面对面支持。得到有趣的结果是，E-mail支持组的效果量最大，显著大于无支持组；面对面支持与无支持组效果量差异并不显著。这一结果提示着，抑郁症的计算机化治疗，并非像传统观点认为的越多面对面支持，越能提升干预效果，而是通过非面对面直接接触的E-mail形式效果更理想。有研究(Bower et al.,2913)甚至发现，初始抑郁水平越高，越适宜采用低人工参与的低强度干预(low intensity interventions)。我们认为这一有趣现象可能的原因是，E-mail支持脱离了当事人与治疗师(或管理员)的面对面接触，可以有效地降低污名，从而提升治疗效果。这一假设在一定程度上也得到实证研究的支持。比如，有研究者(Griffiths,Christensen,Jorm,Evans,& Groves,2004)采用RCT实验范式研究发现，网络化的干预，可以通过降低抑郁患者的污名，达到降低抑郁。 测量工具也显著影响效果量，BDI测量的效果量显著高于CES－D。这很可能与不同测量工具对抑郁测量的侧重点不同所致。研究中抑郁症状测量的不同量表的测量一致性一直受到一些学者的批评：比如BDI被认为只强调抑郁的认知方面，对自我报告的主观认知偏差较为敏感；HDRS则被批评强调抑郁的焦虑和躯体症状；CES－D则被认为易产生较高的假阳性率和在门诊及住院评人的特异性较差(Gelenberg et al.,2008)。在本研究中，绝大多数研究(n＝53)是基于CBT干预技术，其核心理念是改变当事人的认知，而BDI评价所强调的是抑郁的认知方面，采用该量表去评价改变效果，可能更具优势。 干预单元数对治疗效果量有一定的影响。本研究中，在CES－D样本中，干预单元数显著负向影响治疗效果。也就是说，干预的单元越少，治疗效果越好。这一结果与有些学者(van Straten et al.,2008; Warmerdam et al.,2008)强调短程计算化干预单元的潜在优势较为一致。当然，必须注意到，本研究中有多个亚组调节变量显著影响治疗效果，这些变量之间可能存在着交互作用。因此，具体到干预单元数对治疗效果的影响，以后应进一步考虑到结合抑郁严重程度、样本来源和支持方式等调节变量的影响。 总体上，出版年份显著影响治疗效果量，即随着出版时间的推移，治疗效果量呈上升趋势。这一结果与近年来的相关元分析结论趋势相一致，比如较早的元分析结果显示(Griffiths & Christensen,2006)抑郁症的计算机化治疗效果量较小(d＝.27)，之后的元分析(Andersson & Cuijpers,2009)结果显示治疗效果量有所提升(d＝.41)。值得注意的是，在使用BDI测量治疗效果的样本中，出版年份的增长并不能显著预测效果量的提升。这可能与BDI的量表修订有关：以往研究采用BDI，近几年则更多采用BDI－Ⅱ，而在我们研究中并没有对BDI与BDI－Ⅱ加以区别。总体上来说，随着计算机化干预技术的不断发展，技术越为成熟，其对抑郁的治疗效果正在逐步提升。 抑郁症计算机化治疗中的高脱落率是学者仍需进一步研究的问题。本研究的结果发现整体样本中，脱落率对治疗效果影响不显著；而在CES－D样本中，脱落率正向影响治疗效果量。这很可能说明了脱落率是一个较为复杂的调节变量。正如有学者研究(Warmerdam et al.,2008)发现，脱落的原因包括找到其他治疗方式、症状转好、缺少时间和不理解计算机治疗程序等。 最后是出版偏差问题。漏斗图、Begg & Mazumdar秩相关检验与Egger线性回归都提示可能存在着出版偏差。有研究者认为，干预效果的异质性可以导致漏斗图的不对称(Borenstein et al.,2009)。在本研究中异质性检验发现，I2的值为72.29，表明72.29％的观察变异是由于效应值的真实差异造成的。但本研究的失安全系数较大，即需要7488个相反的研究，才能推翻现有元分析结论。总的来说，可以得出本研究可能存在出版偏差，但很难推翻现有结论。 本研究的不足：(1)虽然我们发现大量的研究符合纳入标准，但因有些研究并非采用RCT设计范式或缺乏效果量计算的足够信息，以致无法纳入最终的元分析。此外，虽然采用了全面的文献检索策略，但仍有可能遗漏相关研究。(2)纳入研究分析的很多研究较少能符合高质量研究的标准，在心理治疗研究，高质量研究中的心理治疗组与对照组比较的效果量，显著低于低质量研究(Cuijpers et al.,2010)。而在本研究中，并没有评价纳入分析的研究质量。将来的研究，可以进一步考察研究质量对效果量的影响。研究质量评价中，可考察使用多水平、多层次的研究设计和实施评价工具(The Study Design and Implementation Assessment Device,Study DIAD)(Valentine & Cooper,2008)，以剖面分类来代替传统的单一分数，来考察研究质量对效果量的影响，使研究结论更为可靠。(3)某些调节变量分析的样本较少，在这些调节分析基础上得出的结论需谨慎看待。 5 结论 1.抑郁症计算机化治疗是有效的。整体效果量为.53，三个月追踪效果量为.14；6个月追踪效果量为.16。 2.亚组分析发现，在成人群体、重性抑郁、E-mail支持和采用其他测量量表的亚组中，其效果量显著高于其他分类组。 3.出版年份、脱落率和干预单元数对治疗效果量有一定的影响，但这些变量之间可能存在着交互作用，得出的结论需要谨慎对待。 4.本研究可能存在出版偏差，但很难推翻现有结论。 (提示：详细全文可下载。http://pan.baidu.com/s/li3kNpkx) 注释： ①系指“Major Depressive”，国内也有学者译为“重症抑郁”或“抑郁症”。
标签：元分析论文; rct论文;
