You cant manage what you cant imagine: The Digital Health Checklist-Risk Management (DHC-RM) Tool to enhance participant protections in digital health research

该研究开发并验证了数字健康检查清单风险管理（DHC-RM）工具，证明其能显著帮助研究人员更全面地识别数字健康研究中的潜在风险并制定有效的控制策略，从而加强参与者保护。

要点

这篇论文讲述了一个关于如何让数字健康研究变得更安全、更靠谱的故事。

想象一下，数字健康研究（比如用手机 App 监测健康、用智能手表收集数据）就像是在驾驶一辆正在飞速升级的赛车。这辆车能带我们去以前去不了的远方（收集更多数据、帮助更多人），但因为升级太快，我们手里的驾驶手册（安全指南） 却还没更新好。很多研究人员虽然想安全驾驶，但往往因为手册太旧，忽略了那些看不见的“隐形坑”。

为了解决这个问题，作者们开发了一个新工具，叫 DHC-RM 工具（你可以把它想象成一套**“超级驾驶辅助系统”**）。

以下是这篇论文的核心内容，用大白话和比喻来解释：

1. 问题：我们只能看到眼前的路，看不到“隐形坑”

• 现状：以前，研究人员在开始一项新研究前，会像填表格一样检查风险（比如“有没有涉及未成年人？”“数据会不会泄露？”）。这就像开车前只检查了“有没有系安全带”和“轮胎气足不足”。
• 缺陷：这种检查太死板了。它只能让你想到那些已经写在手册里的风险，却想不出那些还没发生、但可能很可怕的意外（比如：App 会不会因为算法偏见，让某些人得不到公平治疗？数据会不会被用来做我们没想到的坏事？）。
• 比喻：这就好比你在玩一个全新的电子游戏，如果只按旧游戏的攻略走，你肯定会掉进新游戏里特有的陷阱里。

2. 解决方案：给研究人员配了个“思维导航仪”

作者们设计了这个 DHC-RM 工具，它不是简单的检查表，而是一个结构化的“头脑风暴”导航仪。

• 它是怎么工作的？
  • 它不会只问你“有没有风险？”，而是会像教练一样问你：“如果数据收集环节出错了会怎样？”“如果用户用不了这个 App 会怎样？”“如果数据被不公平地使用了会怎样？”
  • 它引导研究人员像玩“如果……会怎样？”（What-If） 的游戏一样，把各种可能的坏情况都预演一遍。
  • 一旦发现了风险，它还会引导你立刻设计“安全气囊”和“刹车系统”（即风险应对措施），并计算如果出了事，后果有多严重。

3. 实验结果：有了导航仪，事故率大降

研究人员找来了 40 位专家，分成两组做实验：

• A 组（老方法组）：只用传统的检查表。
• B 组（新工具组）：使用这个“超级驾驶辅助系统”（DHC-RM 工具）。

结果非常惊人：

• 发现风险的数量：B 组比 A 组多发现了 14 倍 以上的潜在风险！
  • 比喻：A 组只看到了路面上的大坑，B 组不仅看到了大坑，还发现了路边的悬崖、空中的飞鸟甚至地下的暗流。
• 发现的风险类型：B 组发现了很多以前没人想过的风险，比如“数据公平性”、“算法偏见”等。
• 提出的解决方案：B 组提出的“修补漏洞”的方法（比如改进数据加密、修改研究设计）也比 A 组多出了 60 多倍。
• 用户反馈：用了这个工具的研究人员都说：“太棒了！它让我觉得自己考虑得更周全，跟伦理委员会（IRB，相当于交通管理局）沟通也更容易了。”

4. 核心启示：你无法管理你想象不到的东西

论文里有一句非常金句的话：“你无法管理你想象不到的东西。” (You can't manage what you can't imagine)

• 以前的做法：等着问题出现，或者只盯着老问题看。
• 现在的做法：用这个工具，主动去想象所有可能出错的场景，然后提前把“安全气囊”装好。

总结

这就好比在造一辆新车。以前我们只检查螺丝拧紧了没；现在，我们有了一个智能模拟器，能在车造好之前，模拟各种极端天气、各种路况，提前发现哪里会散架，哪里会失控，并提前把车改得更安全。

DHC-RM 工具 就是这样一个工具，它帮助研究人员在数字健康领域**“未雨绸缪”**，确保参与研究的人（也就是我们普通人）不会因为技术的快速进步而受到伤害。这不仅让研究更科学，也让伦理审查（IRB）变得更高效、更放心。

技术摘要

以下是基于该论文《数字健康检查表 - 风险管理工具（DHC-RM）：增强数字健康研究中参与者保护的评估》的详细技术总结：

1. 研究背景与问题 (Problem)

随着数字健康技术（DHT，如移动应用、可穿戴设备、AI 平台）的迅速普及，其发展速度已超过了针对研究参与者保护的指导方针。当前数字健康研究中的风险管理实践存在以下主要缺陷：

• 识别能力不足：现有的工具（如传统的数字健康检查表 DHC-R）主要侧重于风险识别，但往往依赖于预先设定的风险清单，导致研究人员难以发现那些“不可预见”或新颖的风险。
• 缺乏系统性管理：当前的实践通常止步于记录风险和获取知情同意，缺乏对风险进行深入分析（评估后果和可能性）、评价以及制定全面控制措施（风险缓解策略）的结构化支持。
• 跨学科知识鸿沟：行为/临床科学家缺乏处理数字工具伦理和法律问题的培训，而技术开发人员则缺乏隐私和安全最佳实践的专业知识，导致系统性风险被忽视。

核心痛点：正如论文标题所言，“无法想象的风险无法被管理”。现有的方法未能帮助研究人员充分想象和应对数字健康研究中复杂且动态的风险。

2. 方法论 (Methodology)

为了填补上述空白，研究团队开发并评估了数字健康检查表 - 风险管理工具（DHC-RM Tool）。

• 工具设计原理：

  • 理论基础：结合了现有的数字健康检查表（DHC）与安全风险管理领域的结构化技术，特别是结构化“如果”技术（SWIFT, Structured What-If Technique）。
  • 核心机制：将 DHC 的关键主题抽象为三个结构化头脑风暴提示（Prompt），引导用户进行系统性思考：
    1. 访问、可用性与公平性（Access, usability, and fairness）。
    2. 数据收集与管理（Data collection and management）。
    3. 有效性、可靠性与安全性（Effectiveness, reliability, and safety）。
  • 流程：工具采用“即时培训”（Just-in-time training）模式，提供定义和示例。用户需描述研究益处，进行结构化风险识别，制定风险控制措施，并评估剩余风险（通过 Likelihood 和 Consequence 评分，范围 1-4，乘积得出风险分数，分为高/中/低三类）。
  • 输出：自动生成包含风险分析和缓解策略的简明报告，用于伦理审查委员会（IRB）沟通。

• 实验设计：

  • 研究类型：在线随机实验，采用随机实验双重差分法（Randomized Experimental Difference-in-Differences, REDiD）。
  • 参与者：招募了 40 名数字健康研究人员（干预组 n=19，对照组 n=21）。
  • 流程：
    • 阶段 1（基线）：所有参与者使用“当前实践”（Current Practice）评估一个数字健康研究场景的风险。
    • 阶段 2（干预）：参与者被随机分配。干预组使用 DHC-RM 工具评估另一个场景；对照组继续使用当前实践。
  • 评估指标：
    • 主要结果：识别出的风险的数量（Quantity）、多样性（Variety，即不同主题覆盖度）和新颖性（Novelty，即超出常规预期的风险）。
    • 次要结果：针对识别出的风险所提出的风险控制/缓解策略的数量、多样性和新颖性。
  • 数据分析：使用定性内容分析对风险和控制策略进行编码，并结合统计检验（双样本 t 检验）比较组间差异。

3. 关键贡献 (Key Contributions)

• 工具创新：开发了首个将结构化风险识别（SWIFT 方法）与数字健康特定伦理维度（DHC）相结合的综合风险管理工具，实现了从单纯“风险清单”到“全面风险管理”的范式转变。
• 实证证据：提供了严格的实验证据，证明结构化思维工具能显著提升研究人员在数字健康领域的风险识别和缓解能力。
• 流程标准化：建立了一套可自动记录、可量化评分（风险矩阵）并生成标准化报告的工作流，有助于将伦理审查从“合规检查”转变为“实质性风险评估”。

4. 研究结果 (Results)

研究结果显示，与当前实践相比，使用 DHC-RM 工具在所有主要和次要指标上均产生了巨大且统计学显著的改进：

• 风险识别（Risk Identification）：
  • 数量：干预组平均每人多识别出 14.7 个风险，而对照组仅为 0.26 个。
  • 多样性：在六个预定义的风险领域（访问、可用性、公平性、数据管理、有效性、安全性）中，干预组识别出的风险数量在所有领域均显著增加。
  • 新颖性：在阶段 2 识别出的所有独特风险中，50% 是仅由使用工具的研究人员发现的，而对照组没有发现任何仅由其识别的独特风险。
• 风险控制策略（Risk Control Strategies）：
  • 数量：干预组平均每人提出了 9.63 个额外的风险缓解策略，而对照组仅为 0.15 个。
  • 多样性：工具显著促进了在“研究设计”和“数据管理”（特别是数据共享和结果反馈）等关键领域的策略制定。
  • 新颖性：工具生成的策略具有更高的新颖性，许多策略（如关于数据共享和结果反馈的具体措施）是传统方法未曾考虑的。
• 用户反馈：
  • 接受度：75% 的参与者表示愿意再次使用该工具。
  • 优势：用户认为其结构化的工作流程、即时示例、对风险的深入洞察以及对 IRB 沟通的价值是主要优势。
  • 改进建议：主要集中在增加更多具体场景的示例、简化说明文字以及提供更多关于如何制定风险缓解策略的支持。

5. 意义与影响 (Significance)

• 提升参与者保护：该工具通过帮助研究人员“想象”并识别那些原本被忽视的隐性风险（如数据偏见、二次使用、边缘化群体的影响），显著增强了数字健康研究中参与者的保护水平。
• 推动伦理实践变革：证明了将伦理原则嵌入研究设计（Actionable Ethics）的可行性，而非将其作为事后补救。它促使研究团队从被动合规转向主动的风险管理。
• 优化伦理审查流程：工具生成的结构化报告可以为 IRB 提供更清晰的风险评估依据，有望减少伦理审查的反复修改次数，提高审查效率。
• 跨领域应用潜力：除了研究设计，该工具还可用于技术开发人员的风险评估、利益相关者（患者/公众）的参与式评估，以及数字健康技术在常规医疗和职业环境中的部署决策。

总结：DHC-RM 工具通过引入成熟的安全风险管理方法论，有效解决了数字健康研究中风险识别不全和管理滞后的问题，为构建更安全、更负责任的数字健康研究生态系统提供了强有力的技术支撑。