Психиатрия Всемирная психиатрия
№01 2021

Мобильные приложения в сфере здравоохранения (mHealth приложения) могут расширить доступ к информации и помощи, особенно для людей, которые не могут получить помощь очно. Роль этих приложений становится особенно заметной во время продолжающегося кризиса, вызванного COVID-19. По последним оценкам, существует более 325 000 приложений mHealth, из которых 78 000 были добавлены только в 2017 г. ¹  Оценка эффективности этих приложений стала предметом повышенного интереса ^2,3 .
В нескольких исследованиях изучалось, насколько приложения mHealth достигают реальных пользователей. В некоторых недавних работах предполагается, что рыночная ситуация с приложениями mHealth может быть сильно искажена, поскольку небольшое количество приложений привлекает большую долю пользователей ⁴ . Для тщательной проверки этого предположения необходима эмпирическая характеристика асимметрии на рынках мобильных приложений в сфере здравоохранения. Существующие подходы, хотя и полезны, часто лишены интуитивного или легко интерпретируемого значения ⁵ . Это представляет собой проблему, которая особенно важна в контексте исследований психического здоровья, которые требуют общения между экспертами из различных дисциплин (например, психиатрии, клинической психологии, цифрового здравоохранения, экономики, государственной политики).
Мы изучили распространенность приложений mHealth для различных психических заболеваний, проведя поиск в Apple App Store и Google Play Store в марте 2020 г. Мы применили следующие поисковые термины: «зависимость», «тревога», «депрессия», «расстройства пищевого поведения», «фитнес», «отслеживание настроения», «шизофрения» и «сон». В соответствии с предыдущей работой, были проверены приложения, входящие в топ-50 поисковых запросов в любом магазине приложений ⁴ . Мы включили приложения, предназначенные для лечения, поддержки или информирования.
Мы собирали ежемесячные данные об активных пользователях ( monthly active user – MAU ) от компании Mobile Action, занимающейся исследованием рынка мобильных приложений, в течение месяца с 14 марта по 13 апреля 2020 г. Общее количество MAU в каждой категории варьировалось от 264763 (зависимость) до 47133801 (фитнес), со средним значением 6254650. Затем мы разработали два новых показателя для описания рыночных площадок приложений mHealth: индекс рыночной доли-n (market share index-n, MSI-n) и число, необходимое для достижения-p ( number needed to reach-p – NNR-p ).
MSI-n относится к проценту MAU в категории (например, приложения, рассчитанные на помощь при депрессии), приходящейся на первые n приложений. Например, «MSI-3» относится к проценту MAU, который приходится на три самых популярных приложения. Более высокие значения MSI указывают на то, что лучшие приложения отвечают за большую долю активных пользователей.
NNR-p относится к минимальному количеству приложений, необходимых для учета p процента активных пользователей. Например, «NNR-90» относится к числу приложений, которые должны составлять 90% MAU в категории. Более низкие значения NNR указывают на то, что популярные приложения отвечают за большую долю активных пользователей.
Для каждой из вышеперечисленных категорий мы рассчитали MSI-3, MSI-10 и NNR-90.
В шести из восьми категорий на три топовых приложения приходилось более чем 50% MAU. Значения MSI-3 составили 41,5% для фитнес-приложений (это означает, что первые три приложения составляли 41,5% MAU в категории фитнес), 45,6% для зависимостей, 66,2% для депрессии, 66,4% для сна, 75,7% для тревоги, 79.2% для отслеживания настроения, 88,9% – для приложений, связанных с расстройствами пищевого поведения, и 98,1% для приложений о шизофрении, при среднем значении MSI-3, равном 71.1%. Среднее значение MSI-10 составило 91,4% (от 67,6% для категории фитнес до 99,97% для категории шизофрения), 45,6% для приложений о зависимости, 66,2% – для категории депрессия, 66,4% для сна, 75,7% – для тревоги, 79,2% – для отслеживания настроения, 88,9% для приложений по расстройствам пищевого поведения и 98,1% для шизофрении, при этом среднее значение MSI-3 составило 71,1%. Среднее значение MSI-10 составило 91,4% (от 67,6% для категории фитнес и до 99,97% – для шизофрении).
Значения NNR-90 составляли 2 для шизофрении (что указывает на то, что на два топовых приложения для шизофрении приходилось 90% MAU), 4 – для категории расстройств пищевого поведения, 6 – для приложений по отслеживанию настроения, 7 – для приложений о тревоге, 11 – для депрессии, 12 – для зависимостей, 16 – для сна и 25 – для категории фитнес. Среднее значение NNR-90 составило 9 .
Таким образом, выявлено, что рынок приложений для психических расстройств (например, шизофрении, расстройств пищевого поведения) более асимметричен, чем аналогичный по темам общего здоровья и благополучия (например, фитнес, сон).
Эти результаты имеют важное значение для изучения и оценки приложений mHealth. Чтобы лучше охарактеризовать контент, с которым сталкиваются реальные пользователи через эти приложения, мы рекомендуем скорректировать результаты анализа приложений mHealth, включив в них полученные данные об их использовании ⁶ . Кроме того, имеется более 45 систем оценки приложений, а также огромный интерес к разработке инструментов, которые помогают потребителям фильтровать перенасыщенные рынки приложений ^7,8 . Однако надежность и валидность таких инструментов подвергалась критике, поскольку многие из них дают различные, а иногда и противоречивые заключения ⁸ .
Из-за огромного количества приложений mHealth и методов оценки приложений неудивительно, что возникает следующая проблема: исследователи обычно оценивают сотни или тысячи приложений, а это – трудоемкий процесс, в результате которого могут быть сделаны поверхностные или ненадежные расчеты. Учитывая асимметричность рынка приложений mHealth, потребители могут извлечь больше пользы из высокодетализированных и надежных оценок гораздо меньшего числа приложений – тех, с которыми они, скорее всего, столкнутся и которыми воспользуются ⁹ .
Точное количество популярных приложений может варьировать в зависимости от категории mHealth. С учетом этого, иследователи могут применять метрики NNR-p и MSI-n. Например, используя метрику NNR-p, исследователи могут определить, сколько приложений в данной категории должно быть проанализировано, чтобы учесть те, которые достигают определенной доли активных пользователей.
Мы собрали данные MAU в марте-апреле 2020 г. Это позволило нам охарактеризовать модели использования приложений во время пандемии COVID-19, периода, когда приложения mHealth играют важную роль в общественном здравоохранении. Будущие исследования могли бы изучить, соотносятся ли эти тенденции в другие периоды времени.
Объединение исследований эффективности приложений mHealth с исследованиями их использования будет уместно для точной оценки реального воздействия этих приложений, определения приоритетов исследований и информирования общественности о преимуществах и рисках. Такой объем исследований может существенно изменить то, как мы изучаем и оцениваем приложения mHealth, предвосхищая ключевой приоритет здравоохранения – электронные (цифровые) услуги, которые, вероятно, охватят миллионы потребителей в ближайшие годы.
Авторы выражают благодарность E. Lattie и N. Wasil за предложение обратной связи по проекту рукописи.

Wasil A., Gillespie S., Schell T., Lorenzo-Luaces L. DeRubeis R. Estimating the real-world usage of mobile apps for mental health: development and application of two novel metrics. World Psychiatry, 2021;20(1), pp.137-138. 

DOI:10.1002/wps.20827