《Information》：Web-Based Repeated Monitoring of Well-Being in University Students: Cohort Protocol and Baseline Findings from the DiCoBENE Study
编辑推荐：
基于网络的重复测量队列能够在自然环境中对健康相关结局进行远程、可扩展且具有时间结构的监测。本文介绍了DiCoBENE研究，一个基于网络的大学生医疗健康专业队列，并报告了基于证据的工具选择以及方案特征和试点基线发现。使用结构化综述来指导患者报告结局测量（PROM
基于网络的重复测量队列能够在自然环境中对健康相关结局进行远程、可扩展且具有时间结构的监测。本文介绍了DiCoBENE研究，一个基于网络的大学生医疗健康专业队列，并报告了基于证据的工具选择以及方案特征和试点基线发现。使用结构化综述来指导患者报告结局测量（PROMs）的网络管理，涵盖睡眠质量、感知压力、焦虑症状、抑郁症状和生活质量。在试点基线样本中，442名学生组成了分析数据集，根据工具不同，370-372名学生完成了核心PROM量表。睡眠质量差、焦虑症状、抑郁症状和感知压力很常见。广泛性焦虑障碍7项量表（GAD-7）、患者健康问卷9项抑郁模块（PHQ-9）和10项感知压力量表（PSS-10）的内部一致性良好至优秀，匹兹堡睡眠质量指数（PSQI）的内部一致性中等。探索性多变量分析，包括潜在剖面分析、主成分分析和偏相关网络分析，表明基线异质性更简洁地总结为一个分级的多维负担连续体，而不是截然分离的表型。总之，这些发现将DiCoBENE定位为学生健康状态研究中基于网络重复结局评估的一个方法学明确的框架。
**研究背景、问题及开展目的**
在流行病学与行为研究领域，基于网络的重复测量队列（web-based repeated-measures cohorts）因其能在自然环境中实现远程、可扩展且具有时间结构的数据收集而日益重要。与传统的观察性设计相比，数字队列基础设施可提供更高的时间分辨率、更低的后勤负担、更广的覆盖范围，并能将重复自我报告结局与数字化情境信息整合。这些优势尤其适用于睡眠质量、感知压力、焦虑症状、抑郁症状及生活质量等相互关联的症状-功能集群。然而，尽管对学生心理健康与幸福感的关注日益增加，对这些结局的评估仍主要依赖传统方法，其捕捉动态、多维且对环境敏感的健康轨迹的能力有限。为解决这一空白，DiCoBENE（DIgital COhort per la Valutazione del BENEssere degli Studenti Universitari）研究被构想为一个基于网络的重复测量队列，旨在通过整合流行病学设计、明确的网络测量选择及多变量结局分析来评估大学生幸福感。该论文发表在《Information》杂志上。
**主要研究方法**
研究人员基于意大利卡塔尼亚大学（University of Catania）医疗健康专业大学生队列，采用结构化综述指导患者报告结局测量（PROMs）的选择，包含匹兹堡睡眠质量指数（PSQI）、感知压力量表10项（PSS-10）、广泛性焦虑障碍7项量表（GAD-7）、患者健康问卷9项抑郁模块（PHQ-9）及世界卫生组织生活质量量表简版（WHOQOL-BREF）。关键方法包括：通过REDCap平台进行网络管理；评估内部一致性（Cronbach's α和McDonald's ω）；使用Spearman相关系数分析跨域关联；采用潜在剖面分析（LPA）、主成分分析（PCA）及偏相关网络分析（基于graphical LASSO）探索多变量基线异质性结构。
**研究结果**
**3.1 分析样本与完成率**：463名学生同意参与，其中442人同意数据处理构成分析数据集。核心PROM模块完成率为：GAD-7、PSS-10与WHOQOL-BREF 372人（84.2%），PHQ-9 371人（83.9%），PSQI 370人（83.7%），缺失主要集中于模块层面而非条目层面。
**3.2 参与者特征**：具有社会人口学数据的398人中，平均年龄21.3岁（SD 3.8），女性占59.0%，多数全程在校学习（95.7%），未从事有偿工作（79.5%），家庭经济困难比例较低。
**3.3 基线量表分布、完成率与阈值患病率**：均值得分：GAD-7 9.76（SD 5.13），PHQ-9 7.33（SD 4.66），PSS-10 19.34（SD 8.68），PSQI全局得分6.78（SD 3.27）；WHOQOL-BREF各领域均值从60.1到69.7。阈值患病率：睡眠质量差58.8%，中重度焦虑症状46.0%，中重度抑郁症状29.5%，中度感知压力54.0%，高感知压力19.8%。
**3.4 内部一致性与量表表现**：GAD-7（α=0.877，ω=0.881）、PHQ-9（0.818，0.820）及PSS-10（0.929，0.931）内部一致性良好至优秀；PSQI（0.654，0.681）中等；WHOQOL-BREF中身体、心理与环境领域可接受，社会领域因条目少而偏弱。
**3.5 相关性模式**：Spearman相关分析显示感知压力与抑郁症状（rho=0.759）、焦虑症状（rho=0.736）强相关；焦虑与抑郁强烈相关（rho=0.671）；睡眠质量差与抑郁症状（rho=0.522）及身体生活质量（rho=-0.507）相关；抑郁症状与心理（rho=-0.578）及身体（rho=-0.571）生活质量负相关，支持负担结构的一致性。
**3.6 潜在剖面分析、主成分分析与网络分析**：基于365例完整数据，LPA选择四剖面解（BIC=5000.3，平均后验概率0.923），依次为低负担（50人，13.7%）、轻度负担（150人，41.1%）、中度负担（115人，31.5%）和高负担（50人，13.7%），呈现有序梯度。PCA显示第一主成分解释55.6%总方差，前两主成分共解释67.4%，最大载荷来自PHQ-9（0.410）、WHOQOL-BREF心理（0.390）、身体（0.388）与PSS-10（0.386），提示共同痛苦/低幸福感维度占主导。偏相关网络分析（graphical LASSO）中，中心性最强的节点为WHOQOL-BREF身体（强度1.124）、PHQ-9（1.119）、WHOQOL-BREF心理（1.098）与PSS-10（1.018），最强非平凡边连接PSS-10与GAD-7（0.459）、WHOQOL-BREF身体与心理（0.398）及PSS-10与PHQ-9（0.365）。
**讨论与结论总结**
讨论指出，基线负担水平与意大利多中心研究一致，网络管理在心理测量上表现可解释，多变量分析支持分级多维负担连续体观念。研究的主要贡献在于将基于证据的PROM选择、方案层面的重复测量设计、试点基线心理测量评估及多变量特征整合于单一队列框架中，将网络环境视为测量明确的分析场景。局限性包括单中心、横截面设计、基于完整案例分析及自报告偏差。结论部分翻译如下：
基于网络的重复测量队列是流行病学与行为研究的重要基础设施，适用于睡眠质量、感知压力、情绪症状及生活质量等动态结局。在DiCoBENE试点基线中，通过整合完成率分析、描述性负担估计、内部一致性评估、Spearman相关分析、LPA、PCA及网络分析，表明网络管理PROM量表生成的数据不仅可行，而且在心理测量上一致且临床可解释。在此探索性基线阶段，大学生健康状态的异质性更简洁地总结为分级的多维负担连续体而非一组截然分离的表型。总体而言，本发现支持将DiCoBENE作为方法学上坚实的框架，用于纵向网络评估及大学生时间变化、负担轨迹与多维健康模式研究。
