Организация Объединенных Наций в 2015 году определила борьбу с неинфекционными заболеваниями (НИЗ) и факторами их риска как одну из целей устойчивого развития [1], а в 2019 году Всемирная ассамблея здравоохранения продлила действие Глобального плана по борьбе с НИЗ (2013–2020 гг.) до 2030 года1. Болезни системы кровообращения, злокачественные новообразования, хронические респираторные заболевания и сахарный диабет в совокупности являются причиной 74 % всех смертей в мире.

Одним из важнейших способов снижения смертности от НИЗ является выявление и коррекция предотвратимых факторов риска. К ним относятся курение, злоупотребление алкоголем, низкая физическая активность, нездоровое питание и загрязнение воздуха.

Экспоненциальный рост информационных технологий в последнее десятилетие открывает многообещающие возможности использования мобильного здравоохранения (mobile health, mHealth) для борьбы с НИЗ. Приложения для здоровья, играя ключевую роль в профилактике заболеваний, способствуют снижению нагрузки на медицинские организации [2]. Однако такие проблемы, как низкая вовлеченность пользователей, проблемы конфиденциальности данных, недостаточная научная обоснованность и сложности интеграции в клиническую практику, указывают на необходимость сбалансированных подходов и постоянной оценки эффективности мобильных решений [3].

Цель: сравнить эффективность мероприятий по первичной профилактике НИЗ среди лиц трудоспособного возраста с использованием mHealth и без него, а также выявить факторы успеха и барьеры внедрения mHealth-разработок.

Обзор проведен в соответствии с руководящими принципами и методологиями, используемыми в доказательной медицине, включая предпочтительные элементы отчетности для систематических обзоров и метаанализов (Preferred Reporting Items for Systematic Reviews and Meta-Analyses, PRISMA). Поиск исследований осуществлялся со 2 по 13 июня 2025 года по трем базам данных: научная электронная библиотека eLIBRARY.RU, PubMed и Google Scholar. Поисковые запросы представлены в таблице 1.

Стратегия поиска основывалась на модели, включающей: участников исследования, вмешательство, группу контроля, результаты, дизайн исследования (Population, Intervention, Comparison, Outcome, Study designs, PICOS) (табл. 2). В обзор были включены оригинальные исследования, содержащие данные по оценке эффективности применения mHealth в рамках мероприятий по первичной профилактике НИЗ среди лиц трудоспособного возраста (18–59 лет) на русском и английском языках, опубликованные с 2020 по 2024 год. Для исключения в поисковой выдаче публикаций, не подходящих под критерии включения PICOS:

Были отклонены публикации по следующим критериям исключения: основная цель не была специфичной для НИЗ; группы были слишком малы для стратификации по полу (n < 50); результаты не связаны с применением mHealth либо связь невозможно оценить; данные представлены в виде отчетов, глав книг или тезисов конференций; отсутствует (или нет возможности получить) полный текст.

Для обеспечения согласованности при отборе 20 % рандомно отобранных публикаций (по названиям и аннотациям) были проанализированы независимо двумя рецензентами. Оставшаяся часть прошла однократную проверку. Все полнотекстовые статьи оценивались двумя независимыми рецензентами на соответствие критериям включения и исключения. В случае разногласий решение принималось путем консенсуса или вынесения решения третьей стороной. Дублирующиеся публикации были исключены, соответствующие – экспортированы. Для выявления дополнительных исследований был проведен ручной поиск по спискам литературы на релевантные обзоры, найденные в первоначальном поиске.

В результате поиска было найдено 1153 исследования: 230 публикаций в eLIBRARY.RU, 442 – в PubMed и 481 – в Google Scholar. После удаления дубликатов было отобрано 1086 работ. Далее были исключены 988 статей по причине несоответствия критериям включения при анализе названий и аннотаций работ. Среди оставшихся 98 статей в одном случае полнотекстовая версия работы не была получена. Тем самым только 97 статей подверглись полнотекстовой оценке. На этом этапе еще 82 статьи, согласно критериям исключения, были отклонены. В окончательный анализ включено 15 исследований (рис.) [4–18].

Данные были извлечены вручную и задокументированы с помощью программного продукта MS Excel (Microsoft Corporation, США). Оцениваемые параметры включали: (1) общие характеристики: автор(ы), год публикации, страна вмешательства, дизайн исследования, размер и состав выборки, длительность наблюдения; характеристики вмешательства: тип mHealth-технологии, содержание, кратность и продолжительность применения, наличие контрольной группы; а также оцениваемые исходы: антропометрические, лабораторные, поведенческие и функциональные показатели (табл. 3); (2) влияние и эффективность, результаты вмешательства, направленность и статистическая значимость эффектов (табл. 3); (3) факторы и барьеры, определяющие успешность, а также возможности влияния на них (табл. 4).

Ввиду выраженной гетерогенности включенных исследований по дизайну, характеристикам популяции, видам вмешательств и оцениваемым исходам проведение метаанализа не представлялось возможным. Обобщение результатов выполнено описательным методом с группировкой исследований по направленности эффектов (положительные, нейтральные, отрицательные), типам используемых технологий и категориям оцениваемых исходов. Оценка эффективности вмешательств проводилась на основании сообщенных в оригинальных статьях показателей статистической значимости (p < 0,05) и направленности изменений. Дополнительно проводился анализ частоты упоминания конкретных факторов риска и исходов, а также описательное сопоставление результатов исследований, сходных по методологическим подходам.

Четверть статей была опубликована в 2020 году – 4 исследования (26,7 %), в 2023 году – также 4 работы (26,7 %), в 2021 году – 2 исследования (13,3 %); в 2024 году – 3 работы (20,0 %), еще 2 статьи (13,3 %) – в 2022-м. Часть исследований проведена в США – 2 (13,3 %) и России – 2 (13,3 %). В ряде стран (Канада, Китай, Тайвань, Сингапур, Испания, Венгрия, Япония, Нигерия, Таиланд) было проведено по одному исследованию, а три работы выполнены сразу в нескольких странах (табл. 3).

В большинстве исследований (66,7 %) эффективность использования mHealth оценивалась в рандомизированных клинических исследованиях с разделением участников на две группы – с использованием мобильного приложения и контрольную без mHealth. В отдельных работах (13,3 %) эффективность оценивали в квазиэкспериментальном или ретроспективном когортном исследовании (по 1 исследованию в каждом случае) (табл. 3).

Включенные исследования суммарно охватили 11 273 человека, объем отдельных выборок варьировался от 59 до 2952 участников (медиана – 546). Средний возраст участников составил от 18 до 59 лет (37,5 ± 8,0 года). Период наблюдения составил от 1 до 12 месяцев (6,36 ± 3,97 месяца).

Анализ 15 отобранных исследований позволил разделить использование mHealth для профилактики НИЗ на 3 основные категории: веб-сайты/веб-порталы и мобильные приложения (40,0 %); электронные рассылки и SMS (13,3 %); смартфоны и носимые устройства (6,7 %). В 40 % исследований сообщалось о комбинации технологий: например, рассылки в сочетании с мобильными приложениями или носимые устройства в сочетании с SMS и т.д.

Результаты были положительными в 12 исследованиях, нейтральными – в трех. Полная доказанная эффективность зафиксирована в 60,0 %. Доля статей, где эффективность была доказана более чем в 50 % оцениваемых показателей, составила 13,3 %, а менее – 6,7 %.

В рассмотренных исследованиях отмечены следующие часто оцениваемые показатели: физическая активность (33,3 % исследований), масса тела и/или индекс массы тела (26,7 %), окружность талии (20,0 %), отношение к физической активности (20,0 %), пищевые привычки (20,0 %) и курение (20,0 %). Реже оценивались: риск развития НИЗ (13,3 %), запись на прохождение скрининга или диспансеризации (13,3 %), качество сна (6,67 %) и употребление алкоголя (6,67 %).

Применение mHealth для профилактики НИЗ сравнимо с традиционными медицинскими вмешательствами по некоторым показателям, включая мотивацию к физической активности, повышение профилактической активности, улучшение пищевых привычек и воздержание от курения [8][9][11][15], во многих исследованиях эффективность превысила стандартную медицинскую помощь [4–7][10][12–14][16–18].

Примечательно, что у лиц, использовавших mHealth, существенно улучшились пищевые привычки, поскольку цифровые платформы часто предоставляют индивидуальные рекомендации по питанию и мониторинг [11][17][18].

Статистически значимое снижение массы тела отмечено в четырех исследованиях [5][7][17][18] и в трех по уменьшению окружности талии при использовании mHealth [5][17][18]. По данным исследования М.С. Куликовой и соавт. [17] окружность талии у пользователей mHealth уменьшилась уже через 3 месяца и эффект сохранялся до 6 и 12 месяцев, в статье J.L. Chen и соавт. [5] существенные изменения были обнаружены через 6 месяцев. Физическая активность также увеличилась у тех, кто использовал mHealth [4][7][12][14][17][18], в трех работах дополнительно была оценена мотивация к занятиям [4][7][8].

При отказе от курения пациентами в одном исследовании mHealth оказывал бóльшую поддержку, чем традиционные методы [6], в двух других работах по борьбе с никотиновой зависимостью клиническая эффективность mHealth была неоднозначной [13][15].

Наиболее убедительно эффективность mHealth была продемонстрирована при следующих изменениях: (1) снижении массы тела [5][7][17][18]; (2) повышении уровня физической активности, включая мотивацию и поддержание регулярных занятий [4][7][12][14][17][18]; (3) снижении риска зависимостей: от курения [6] и алкоголя [16].

В то же время ряд исследований не выявил значимых различий между группами вмешательства и контроля по таким параметрам, как пищевые привычки, отношение к физической активности [8], приверженность скринингу [9][11] и отказ от курения [15].

Различия в эффективности mHealth при коррекции состояния пациентов могут быть объяснены различной интенсивностью вмешательств, разной продолжительностью исследований и уровнем вовлеченности пользователей, культурными особенностями выборок (табл. 4). Важно отметить, что даже в исследованиях с отрицательным или сопоставимым результатом часто фиксировалось улучшение показателей в обеих группах, что подчеркивает важность самого факта участия в исследовании (эффект Хоторна) и базовых профилактических мероприятиях в контрольной группе.

В рассмотренных исследованиях продемонстрирован широкий спектр технологических решений, применяемых для первичной профилактики НИЗ среди лиц трудоспособного возраста. Вмешательства варьировались от простых SMS-напоминаний и текстовых сообщений [5][6][8][9][11] до многокомпонентных мобильных приложений. Последние включали такие функции, как: (1) трекинг поведения: мониторинг физической активности [4][7][11][14][17][18], массы тела [17][18]; (2) обратную связь и коучинг: персональные рекомендации, мотивационные сообщения, удаленное консультирование (как индивидуальное, так и групповое) [7][17][18]; (3) образовательный контент: информацию о факторах риска, здоровом питании и физической активности [5][10][12]; (4) поддержку в отказе от курения [6][13][15] и снижении потребления алкоголя [16].

При этом большинство исследований было нацелено на модификацию поведенческих факторов риска (повышение физической активности, улучшение питания, снижение массы тела, отказ от вредных привычек), а не на оценку конечных точек – непосредственных биомаркеров риска (гликированного гемоглобина – HbA1c, липидного профиля, уровня артериального давления) или комплексных показателей в виде расчета сердечно-сосудистого риска, которые рассматривались гораздо реже.

Эффективность mHealth для первичной профилактики НИЗ сопоставима с традиционными подходами: в 12 работах были отмечены положительные результаты, из них в 9 случаях – по всем оцениваемым показателям. В 3 исследованиях сообщалось о нейтральном эффекте.

Выявленные в настоящем обзоре закономерности согласуются с данными других систематических обзоров. Y. Liao и соавт. [19] при анализе применения экологической мгновенной оценки (Ecological momentary assessment, EMA) в исследованиях питания и физической активности среди детей и молодежи выявили выраженную гетерогенность дизайна и отчетности. В работах с интервально-контингентной стратегией опроса (54 %) отсутствовала информация о фактическом количестве отправленных сигналов относительно запланированного.

Около 46 % исследований не содержали информации о частоте соблюдения протокола EMA. Среди сообщивших данный показатель уровень комплаенса варьировал от 44 до 96 %. Для стандартизации описания методологии и результатов авторы разработали контрольный перечень отчетности EMA-исследований (Checklist for Reporting EMA Studies, CREMAS).

R. Zapata-Lamana и соавт. [3] установили, что в 51,3 % исследований применения EMA для изучения физической активности использовались mHealth-технологии, преимущественно смартфоны и встроенные акселерометры (79,5 % таких работ опубликованы в 2014–2018 гг.). Для интеграции EMA-методологии в mHealth-инструменты для сбора данных в естественных условиях в реальном времени было предложено ввести термин «mEMA».

В настоящем обзоре доля исследований, применяющих многокомпонентные цифровые вмешательства, составила 40,0 %, а 53,3 % статей опубликованы в 2020–2022 гг., что отражает хронологическую динамику внедрения mHealth в профилактическую практику. Принципиальное различие заключается в направленности исследований: в фокусе mEMA преимущественно находилась оценка поведенческих паттернов, тогда как в проанализированных исследованиях данного обзора центральное место занимало активное управление факторами риска НИЗ. При этом также зафиксирована значительная вариабельность продолжительности наблюдения (от 1 до 12 месяцев), типов вмешательств и оцениваемых исходов.

В данной работе были выявлены и некоторые ограничения. Критерии включения допускали широкий диапазон вариативности в таких аспектах, как дизайн исследования, характеристики участников, вид mHealth-вмешательства, их количество и продолжительность. Так, сравнивались как один вид mHealth, так и сочетание или многократное использование различных технологий. Кроме того, в некоторых работах применялся стандартный подход к проведению исследования со сравнением контрольной и экспериментальной групп, в то время как в других исследованиях группа контроля не была включена. Такая неоднородность исследований затрудняет прямое сравнение и делает невозможным проведение метаанализа для обобщения эмпирических данных или оценки достоверности доказательств.

Важно отметить, что НИЗ (сахарный диабет, болезни системы кровообращения и др.) развиваются в течение длительного времени, и краткосрочные исследования (1–12 месяца) могли не в полной мере оценить влияние mHealth на профилактику данной группы заболеваний.

Включенные в обзор исследования проводились в основном в США, Европе и Азии, где различаются модели питания, образ жизни и системы здравоохранения, а также доступ к технологиям и уровень цифровой грамотности. Поэтому их результаты могут отличаться от применения mHealth среди россиян.

Необходима стандартизация протоколов вмешательств с детальным описанием компонентов профилактики НИЗ, включая целевые поведенческие и клинические исходы. Оценка эффективности цифровых решений должна опираться на валидированные метрики вовлеченности пользователей, соблюдения рекомендаций и долгосрочных результатов в отношении здоровья. Перспективной является интеграция интерактивных функций mHealth (виртуальный коучинг, веб-сообщества, геймификация) и алгоритмов искусственного интеллекта для динамической персонализации вмешательств в реальном времени. Критическое значение приобретает оценка экономической эффективности, включая анализ масштабируемости, затрат на внедрение и обслуживание mHealth-решений в сравнении с традиционными подходами.

Кроме того, требуется изучение синергетического эффекта комбинации mHealth-инструментов (мобильные приложения, носимые устройства, телемедицина) и их влияния на широкий спектр факторов риска, включая стресс. Необходимо исследование психологических и поведенческих механизмов, опосредующих долгосрочную вовлеченность (мотивация, цифровая грамотность, персонализация), а также мониторинг нежелательных явлений для обеспечения безопасности вмешательств. Особое внимание следует уделить стратегиям преодоления цифрового неравенства: разработке обучающих программ для повышения цифровой грамотности и обеспечению доступа к технологиям среди уязвимых групп населения (пожилые, лица с низким социально-экономическим статусом).

Применение mHealth для первичной профилактики НИЗ у лиц трудоспособного возраста демонстрирует положительные результаты, особенно в повышении физической активности, снижении массы тела и индекса массы тела, отказе от курения и увеличении приверженности скринингу. Ключевыми факторами успеха выступают персонализация, многокомпонентность и интерактивность цифровых вмешательств, тогда как основными барьерами остаются цифровое неравенство, гетерогенность дизайна исследований и краткосрочность наблюдений. Дальнейшие исследования должны быть направлены на стандартизацию протоколов, оценку долгосрочных клинических исходов и экономической эффективности, а также адаптацию mHealth-решений к российским реалиям с учетом культурных, социальных и технологических особенностей. Преодоление этих ограничений позволит интегрировать mHealth в систему первичной профилактики НИЗ и повысить ее доступность для различных групп населения.

Соответствие принципам этики. В исследовании использовались неидентифицируемые вторичные данные из опубликованных исследований, в связи с чем согласование этического комитета не требовалось.

Доступ к данным исследования. Данные, подтверждающие результаты этого исследования, доступны у соответствующих авторов по обоснованному запросу. Данные и статистические методы, использованные в статье, были проверены профессиональным биостатистиком из редакции журнала «Национальное здравоохранение».

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Авторы заявляют об отсутствии источников финансирования (собственные ресурсы).

Ethics statements. This study utilized de-identified secondary data from published sources and therefore did not require ethics committee approval.

Data availability. The data that support the findings of this study are available from the corresponding authors on reasonable request. Data and statistical methods used in the article were examined by a professional biostatistician on the National Health Care (Russia) Journal editorial staff.

Conflict of interest. The authors declare that there is no conflict of interests.

Financial support. The authors claim that there are no sources of funding (own resources).

ВКЛАД АВТОРОВ

Ю.А. Тлигуров: формулировка цели и задач, участие в сборе материала, статистическая обработка, написание рукописи. О.В. Ходакова: идея исследования, участие в сборе материала, методологическая поддержка и консультирование. А.В. Гусев: написание рукописи, методологическая поддержка и консультирование.

Все авторы утвердили окончательную версию статьи.

AUTHOR CONTRIBUTIONS

Yuri A. Tligurov: formulation of the aim and objectives, participation in data collection, statistical analysis, manuscript writing. Olga V. Khodakova: research conception, participation in data collection, methodological support and consulting. Alexander V. Gusev: manuscript writing, methodological support and consulting.

All the authors approved the final version of the article.

1. Сайт Всемирной организации здравоохранения. Неинфекционные заболевания. (Noncommunicable disease. World Health Organization). 2025. https://www.who.int/health-topics/noncommunicable-diseases#tab=tab_3 (дата обращения: 19.06.2025).