4.9 Q1 | meta | 韩国首尔成均馆大学| 机器人护理干预和维护对痴呆症患者的有效性：系统评价和荟萃分析
第一段–文章基本信息
文章题目：Effectiveness of Robot Care Intervention and Maintenance for People with Dementia: A Systematic Review and Meta-Analysis
中文标题：机器人护理干预和维护对痴呆症患者的有效性：系统评价和荟萃分析
发表杂志：Innov Aging
影响因子：1区，IF=4.9
发表时间：2024年11月
第二段–本文创新点和科研启发
本文创新点和科研启发
全面评估机器人护理干预的疗效： 本研究通过系统综述和荟萃分析，全面评估了机器人护理干预在痴呆症患者中的疗效。研究整合了多项临床试验的数据，涵盖了不同的机器人护理干预措施和评估指标，为机器人技术在痴呆症护理中的应用提供了全面的科学依据。研究不仅关注了短期疗效，还探讨了长期维护的效果，为临床实践提供了重要的参考。
揭示机器人护理干预的显著益处： 研究发现，机器人护理干预在改善痴呆症患者的行为和心理症状方面具有显著效果。具体来说，机器人护理能够显著减少患者的焦虑和抑郁情绪，提高其生活质量。此外，机器人护理还能够增强患者的社交互动能力，减少孤独感。这些结果表明，机器人护理干预不仅能够改善患者的症状，还能够提升其整体生活体验。
为临床实践和未来研究提供指导： 本研究的结论强调了机器人护理干预在痴呆症护理中的重要性和潜力，并为临床医生和研究人员提供了具体的指导建议。研究建议在痴呆症护理计划中纳入机器人护理干预，特别是在资源有限的环境中，机器人护理可以作为一种有效的辅助手段。此外，研究还指出了未来研究的方向，包括进一步优化机器人护理干预方案、探索其在不同痴呆症亚型中的适用性，以及评估长期使用的效果。
第三段-Introduction
背景
痴呆症目前影响全球4680万人，预计到2050年患者数量将增至1.315亿。2010年，痴呆的全球经济负担已达6040亿美元，预计到2018年将增至1万亿美元。近年来，研究和护理实践强调了痴呆患者在认知、情感和社会适应方面的变化，以及各种干预措施如何帮助患者及其护理人员保持积极的幸福感。社会健康对痴呆患者的生活质量和死亡率有显著影响，因此，促进社会关系的社会心理干预可以改善痴呆患者的健康状况。近年来，人们对通过技术干预促进社会健康的兴趣稳步增加，尤其是机器人技术领域。机器人干预显著有助于缓解压力和孤独感，提高痴呆老年人的参与度、情绪和整体健康状况。然而，现有研究存在局限性，包括缺乏基线评估的横断面设计、样本量受限以及主要以实验室为中心的机器人-人类互动。此外，对机器人类型的相对忽视也是一个问题。因此，本研究旨在综合过去关于机器人护理干预和维护对痴呆患者影响的研究，解决以下研究问题：纳入的研究有什么特点？机器人护理干预和维护对痴呆症患者的总体影响如何？哪些变量，即机器人类型和结果，调节机器人护理的结果？干预时间、持续时间和频率对机器人护理干预效果的调节因子效应是什么？
第四段-Methods
文章检索程序
使用EBSCOhost、Web of Science、CHINAL和PubMed的电子数据库进行全面的文献检索，以确定符合纳入标准的研究。使用各种组合的几个关键词进行检索。检索包括2023年8月31日之前发表的所有论文。对于包含多个单词的术语，使用完全匹配的引号。
文章选择标准
纳入标准是：（a）发表在同行评审期刊上的研究，（b）用英文撰写，（c）包括痴呆参与者，（c）将社会健康作为依赖措施，（d）实施和收集机器人护理数据，以及（e）采用随机对照治疗设计。补充图1显示了具体的研究选择过程。 排除标准是以下研究：（a）与痴呆无关，（b）不涉及任何干预，（c）不是随机对照试验，（d）没有计算效应大小的数据，以及（e）不专注于机器人护理。
选定文章的方法学质量评估
一名研究人员和一名助理独立应用Cochrane偏倚风险2（RoB 2）工具来评估纳入的随机对照试验（RCT）的方法学质量以及每项纳入研究设计的潜在偏倚。RoB 2工具评估五个领域：（a）随机化引起的偏倚风险，（b）偏离预期干预导致的偏倚风险，（c）由于结果数据缺失导致的偏倚风险，（d）由于结果测量导致的偏倚风险，以及（e）由于报告结果的选择而导致的偏倚风险。所有纳入的研究都经过独立评估，每项研究的偏倚风险被归类为“低风险”、“一些担忧”或“高风险”。评级的差异由研究人员之间进行讨论。质量评估的结果不影响所分析研究的纳入或排除标准。
变量编码
符合纳入标准的文章使用研究人员开发的电子表格进行编码。该编码表由三个部分组成。第一部分对相关变量进行编码。对13个变量进行了编码：作者、参与者人数、女性参与者人数、男性参与者人数、年龄、关键纳入标准、痴呆严重程度、干预长度、干预持续时间、干预频率、机器人类型（PARO、类人机器人或Bomy）、结果（神经精神病学、社会参与和情绪/评估）和维护状态。PARO是一种婴儿竖琴海豹机器人，是一种专为痴呆症患者进行宠物治疗的社交机器人。Bomy由Robocare开发，为老年人提供认知训练和日托。Bomy的身体是灰色的，黑色屏幕上显示着两只蓝色的椭圆形“眼睛”，类似于一张脸。对纳入研究的神经精神病学结局进行编码。活动、参与和社交互动等结果被编码为社会参与。愤怒、悲伤和快乐等结果被编码为评价。由于该荟萃分析的主要重点是社会健康，因此认知、血压和药物等结局被排除在分析之外。编码表的第二部分用于质量评估。第三部分捕获了计算效应大小所需的数据：实验组和对照组的参与者人数、测试前和测试后的分数、实验组和对照组的标准差以及t、F和p值。 在对每项研究进行编码之前，编码人员接受了一小时的培训课程，涵盖编码变量的定义。他们还使用编码电子表格练习数据编码。培训结束后，每个编码员独立对所有文章进行了两次编码。编码器间的平均可靠性为98.7%。任何分歧都通过编码人员之间的讨论来解决。
效应大小计算
在本荟萃分析中，分析单位是总效应量估计。通过将标准化平均差转换为Hedge的g值来得出效应大小。 估计Hedge的g的公式为： \[ g = J \times d \] 其中，Cohen的d计算为均值差除以合并标准差，J是小样本量的校正因子，由下式给出： \[ J = 1 – \frac{3}{4N – 9} \] 其中N是总样本量（两组之和）。 Hedge的g值根据Cohen（1988）提供的指南进行解释。介于0.2和0.5之间的值被视为较小值，介于0.5和0.8之间的值被视为中等值，高于0.8的值被视为较大值。可以使用各种工具来评估不同的效果；例如，标准化的平均差异可以作为比较研究的标准。在目前的研究中，使用合适的公式计算和整合每项单独研究的效应大小和方差。机器人干预的效果是通过计算20项研究的效应量来确定的，而对维持的影响是通过7项研究的效应量计算来确定的。
异质性测试
每项研究报告的效应量是根据它们是否来自同质性或异质性人群进行评估。然后选择合适的分析模型。两个主要模型用于将效应大小整合到meta分析中：固定效应模型，假设总体内部的同质性；以及随机效应模型，该模型考虑了研究之间的差异。统计Q检验用于评估样本异质性的程度，p值表示研究之间的变异程度。
离群值分析
在消除单个研究的效应量综合中的统计异常后，计算每项研究的效应量。与极端平均差异相关的效应大小最初被检查为异常值状态，如果被视为异常值，则将其排除在聚合过程之外。为了确认异常值的存在，我们通过对机器人护理干预总体效果的基本分析来确认残差。识别异常值残差的阈值设置为2.70（p<.01）。在纳入的研究中未检测到异常值。
出版偏倚
发表偏倚会导致对荟萃分析结果的高估。为了验证荟萃分析的结果，我们采用了两种方法来验证偏倚：故障安全N和Egger检验。故障安全N是指会使观测到的效应无效的缺失研究的数量。
调节因子分析和Meta回归
我们进行了调节因子分析，以确定可能影响机器人护理干预结果的潜在变量。使用元单因素方差分析（ANOVA）检查分类变量，而使用元回归分析连续变量。元回归涉及对连续研究特征的效应大小进行回归，以评估调节因素是否影响效应大小。在元方差分析中，分析单位是个体效应大小。我们采用meta-ANOVA来研究因变量和机器人类型之间的差异，并使用meta回归来分析干预时间、持续时间和频率等因素。使用综合荟萃分析软件（4.0版）进行分析。
第五段-Results
结果
个体研究的一般特征
表 1 列出了各项研究的特征。共有 1,672 名痴呆患者参与了本荟萃分析中回顾的 20 项研究。参与者年龄超过 60 岁。最常用的机器人类型是 PARO。16 项研究 （80.0%） 实施了 PARO 干预，3 项 （15.0%） 使用人形机器人，只有 1 项 （5.0%） 使用 Bomy。干预持续时间从 10 分钟到 60 分钟不等。两项研究 （10.0%） 的干预持续时间是免费的，而一项 （5.0%） 的干预持续时间是灵活的。一项研究没有报告有关持续时间的信息。持续时间从 4 周到 32 周不等。7项研究（35.0%）每周进行2次干预，而6项研究（30.0%）每周进行3次干预。两项研究 （10.0%） 未报告频率。大多数研究是在中心、设施和疗养院进行的。只有一项研究是在医院环境中进行的。7项研究报告了干预维持的结果。3项研究（15.0%）报告了所有3个结局类别，6项（30.0%）仅报告了社会参与结局，2项（10.0%）仅报告了评价结局，2项仅报告了神经精神病学结局，6项研究报告了3个结局中的2个。
发表偏倚
Rosenthal 建议评估发表偏倚的标准是研究数量的 5 倍加 10。在这项研究中，分析了 20 篇文章，阈值设置为 110，高于该值的稳健性指数表明没有发表偏倚。分析显示稳健性指数为 952，强烈表明不存在发表偏倚。此外，Egger 回归截距不显著 （p = .21），进一步证实了研究结果不受发表偏倚的影响。
学习质量
在纳入的 20 项研究中，10 项 （50%） 提供了有关随机化过程的详细信息，并被认为具有低风险。10 项研究（50%）没有描述随机化下的分配序列隐藏以减少选择偏倚。没有一项研究显示与预期干预措施的偏差或结局数据缺失。只有三项研究对结果测量表示一些担忧，因为它们没有描述结果评估者的盲法，并且他们的结果评估可能受到所接受干预的知识的影响（Chen 等人，a; Chen，Lou，Tan，Wai，& Chan，b; Liang 等人）。六项研究显示报告结果的选择风险较低（Chen 等人，a; Jøranson 等人；Lee 等人；Moyle 等人，2017 年、2018 年；Thodberg、Sørensen、Videbech 等人）。
整体效果
机器人护理干预的同质性检验结果显著（Q = 34.694，df = 19，p < .05 ），并采用随机效应模型来聚合效应大小。干预维持的同质性检验结果不显著 （Q = 5.851，df = 6，p > .05），采用固定效应模型来聚合效应量。 图 1 显示了每项研究报告的机器人护理干预的有效性。计算了机器人护理干预的 20 个效应量。八项研究中的效应量不显著（Chen 等人，b，Chen 等人；Jøranson 等人，2015 年、2016 年；Lee 等人；Mervin 等人；Petersen 等人；Thodberg、Sørensen、Christensen 等人）而 12 项研究中的那些是显著的。机器人护理干预的总体效应量中等（g = 0.286），个体效应量较小。
子组分析
表 2 显示了根据结果的机器人护理干预的效果大小。这些效应量为评估 0.208 （95% CI = 0.148–0.267），神经精神结局 0.258 （95% CI = 0.192–0.324），社会参与 0.287 （95% CI = 0.231–0.342）。meta-方差分析检验表明，根据结果的效应量差异在统计学上不显著 （Q = 3.649，df = 2，p = .161）。
Meta 回归分析
对干预时间、持续时间和频率进行 Meta 囔回归分析。当干预长度、持续时间和频率用作 Meta 回归分析中的协变量时，结果不显著。
第六段–结论
结论
这项研究的结果支持将机器人（如 PARO 和人形机器人）整合到临床环境中，例如疗养院。这些机器人在促进社会参与的同时缓解神经精神症状的能力使其成为一种可行的治疗选择，特别是对于寻求替代方案以减少激动和增强患者互动的设施。其次，尽管机器人可能很昂贵，但本研究中确定的持续影响可能会抵消初始成本，使机器人疗法在经济上对长期痴呆护理更具吸引力。最后，这项研究的结果强调了对不同机器人类型及其相对功效进行进一步研究的必要性。在类人机器人和其他机器人（如Bomy）之间观察到的有效性差异表明，机器人设计（例如，类似人类的外观）在有效性中起着至关重要的作用，从而为开发更适合痴呆症患者的用户友好、情感参与的机器人提供了一个方向。
