健康焦慮的移動網絡化解釋偏向矯正: 一項隨機對照試驗

摘" 要" 本研究旨在考察移動網絡化解釋偏向矯正（internet-based Cognitive Bias Modification-Interpretation， iCBM-I）對健康焦慮的干預效果、影響因素及災難化解釋在干預起效中的機制作用。采用隨機對照試驗， 將符合健康焦慮標準的被試（N = 228）隨機分配到iCBM-I干預組（100%積極反饋， N = 76）、注意控制組（50%積極50%消極反饋， N = 76）以及等待組（N = 76）。干預組和注意控制組進行為期12天的在線任務訓練， 等待組不做訓練。在干預前、干預后及干預后一個月對被試的健康焦慮、災難化解釋、一般焦慮和抑郁進行測量。結果發現： 與等待組相比， iCBM-I干預對健康焦慮個體的災難化解釋、一般焦慮和抑郁癥狀存在顯著的即時效果和一個月后的追蹤效果; 基于潛在增長曲線模型的縱向中介檢驗顯示， 相對于注意控制組， iCBM-I干預通過降低個體的災難化解釋進而改善健康焦慮。本研究為健康焦慮的網絡化干預提供了新視角， 未來研究可以考慮聯合“自上而下”和“自下而上”的干預方法， 以提高健康焦慮的干預效果。

關鍵詞" 健康焦慮， 解釋偏向矯正， 隨機對照試驗， 潛在增長曲線模型， 縱向中介

分類號" R395

1" 引言

自新冠肺炎疫情大流行以來， 全球大眾的心理健康水平有所下降， 其中， 健康焦慮問題尤為突出（Tyrer， 2020）。健康焦慮（Health Anxiety， HA）是指個體對自身健康狀況的不恰當或過度關注而引起的恐懼和擔心（Aue amp; Okon-Singer， 2020; Axelsson" et al.， 2020）。世界衛生組織于2020年1月30日將新冠肺炎疫情列為國際關注的突發公共衛生事件（Mahase， 2020）。先前對非典、埃博拉等流行病的研究表明， 大眾焦慮、健康擔憂和安全行為在此類突發公共衛生事件中普遍存在（Jalloh et al.， 2018; Main et al.， 2011）。超過50%的受訪者報告在過去病毒引起的流行病期間感到擔憂或焦慮（Bults et al.， 2011; Jalloh et al.， 2018）。近期， 國內外研究者開始廣泛關注在新冠肺炎疫情影響下不同群體的健康焦慮現狀（Agarwal et al.， 2023; Akbari et al.， 2021; Luo et al.， 2021）。我國普通人群的健康焦慮流行率在疫情爆發之前約為5% （袁勇貴， 張鈺群， 2013）， 在疫情爆發之后驟升至47.3% （Luo et al.， 2021）。

健康焦慮個體的主要特征是基于對一個或多個身體體征或癥狀的誤解， 而導致持續的焦慮， 擔心自己患有嚴重的身體疾病（Hedman-Lagerl?f et al.， 2019）。即使通過了專業的醫療檢查和保障， 通常也無法消除患者的健康焦慮癥狀， 對個體和社會造成嚴重的消極影響。一方面， 患者在試圖尋求幫助時， 反復重現精神層面遭受的痛苦， 可能導致癥狀加重（Hedman-Lagerl?f et al.， 2019）; 另一方面， 患者反復就醫， 個人經濟負擔加重的同時， 也造成公共衛生資源的浪費（Tyrer et al.， 2014）。

新冠肺炎疫情加劇了健康焦慮， 且將影響較長一段時間（Bredemeier et al.， 2023）。由于公共衛生資源相對緊缺， 發展針對健康焦慮的有效且高效率的網絡化干預具有重要價值。本研究旨在基于認知偏向矯正， 開發緩解健康焦慮相關癥狀的干預技術， 并通過隨機對照試驗（Randomized Controlled Trial， RCT）考察其有效性及起效的心理機制， 以緩解公共衛生服務負擔。

1.1" 健康焦慮的概念及模型

健康焦慮是一個連續的疾病譜， 從正常的健康關注到嚴重健康焦慮是一個癥狀逐漸加重的過程。疑病癥被認為是健康焦慮的一種極端形式， 健康焦慮只是在嚴重程度上輕于疑病癥， 兩者并沒有本質區別（Williams， 2004）。近年來的研究者通常傾向于使用“健康焦慮”這個低污名化的術語。Hedman- Lagerl?f等人（2019）認為當出現以下癥狀時可考慮評估為健康焦慮： （1）對健康的擔憂在得到保證后很快又反復出現; （2）頻繁就醫; （3）花費大量時間在線搜索健康相關信息， 進一步導致焦慮和痛苦的增加， 因為這可能會增加正常身體感覺被誤解為嚴重軀體疾病的跡象的風險; （4）健康擔憂造成了嚴重的功能損害， 例如出現嘔吐等軀體不適感， 以及回避社交等社會功能下降的行為。

健康焦慮的實證研究主要基于兩個理論模型。其一是， Taylor和Asmundson （2004）提出的健康焦慮綜合模型（Comprehensive model of health anxiety）， 該模型認為， 健康焦慮的個體傾向于誤解身體感覺， 使得身體感覺的頻率或強度升高， 會增加誤解自己的健康處于危險中的可能性。使用適應不良的應對策略和反復接觸與疾病相關的信息， 可能會通過強化功能失調的疾病相關信念而使健康焦慮長期存在。其二是， 認知內容特異性假說（Cognitive content-specificity hypothesis）也常被應用于健康焦慮的實證研究（Chan et al.， 2020）， 該假說是貝克認知理論（Beck's cognitive theory）的產物， 認為情緒狀態可以根據獨特的認知內容進行區分， 不同的情緒狀態的個體更容易有不同類型的思維內容（Clark et al.， 1989）。根據解釋偏向的內容特異性， 健康焦慮水平高的個體可能會對即時身體傷害和長期疾病情境做出更多消極、更少積極的解釋（Chan et al.， 2020）。顯而易見， 兩個健康焦慮的理論模型， 不管是從個體歪曲認知內容或功能失調信念視角， 都是認為健康焦慮個體存在認知歪曲。那么， 如何對歪曲認知進行矯正？目前至少有兩種取向（任志洪， 賴麗足 等， 2016）， 其一是“自上而下”的心理治療， 特別是認知行為治療（任志洪， 李獻云 等， 2016）; 其二是“自下而上”的認知偏向矯正（劉冰茜， 李雪冰， 2018; MacLeod amp; Mathews， 2012）。

1.2" 健康焦慮的“自上而下”干預： 心理治療

對于健康焦慮的治療， 目前已有很多心理干預方法被證明能夠減輕健康焦慮癥狀。一般來說， 健康焦慮患者對于藥物治療的接受度遠遠低于心理治療（Walker et al.， 1999）。而對健康焦慮的心理治療已有諸多方法， 其中， 認知行為療法（Cognitive Behavior Therapy， CBT）是最常被采用及被檢驗的治療方法（Olatunji et al.， 2014）。

早期， 一代行為療法側重關注行為改變。有RCT研究表明， 簡單的暴露即可有效減輕健康焦慮（Visser amp; Bouman， 2001; Weck， Neng， Schwind" et al.， 2015）。二代認知行為療法是目前健康焦慮最主要的干預方法。一項RCT元分析研究表明CBT是一種長期有效的治療健康焦慮的方法（Olatunji" et al.， 2014）。將CBT應用于健康焦慮的團體治療（Weck， Gropalis et al.， 2015）和網絡化干預（Morriss et al.， 2019）的療效也得到了證據支持。近年來， 以接納承諾療法（Acceptance and Commitment Therapy， ACT）為首的第三代行為療法（任志洪 等， 2019）， 包括團體ACT治療（Eilenberg et al.， 2017）、基于網頁程序的ACT干預（Hoffmann et al.， 2021）以及正念認知療法（Mindfulness based cognitive therapy， MBCT; McManus et al.， 2012）均對健康焦慮有顯著的療效。除此之外， 行為壓力管理（Hedman et al.， 2014）、想象療法（Tolgou et al.， 2018）、短期心理動力學療法（S?rensen et al.， 2011）也被用于嘗試治療健康焦慮。

傳統的心理治療等“自上而下”療法能夠起效在很大程度上依賴于咨詢師的專業技能（Longmore amp; Worrell， 2007）， 且對患者的認知能力有一定的要求， 患者需要刻意學習該療法的相關知識， 才能“自上而下”產生領悟， 改變自己的認知， 進而緩解癥狀。近10年來， 認知偏向矯正（Cognitive Bias Modification， CBM）技術迅速發展， 其中， 解釋偏向矯正（Cognitive Bias Modification-Interpretation， CBM-I）是迄今為止絕大多數CBM研究工作的重點之一， 它嘗試以“自下而上”的范式來改變認知。

1.3" 健康焦慮的“自下而上”干預： 解釋偏向矯正

CBM-I的原理是， 給被試呈現模糊情境之后， 通過反饋訓練引導個體做出積極解釋， 以降低被試的消極解釋偏向并緩解焦慮情緒。例如， 面對“你感覺到頭很痛”的情境， 給被試呈現兩種解釋， 即“你認為這是在電腦前長時間工作導致的” （積極解釋）和“你認為這是腦炎的前兆” （消極解釋）。如果被試選擇了積極解釋， 會收到正向反饋， 即“你的選擇很棒， 繼續努力”; 如果被試選擇了消極解釋， 會收到負向反饋， 即“你的選擇對你不利， 繼續改進”。CBM-I通過這種簡單的重復性訓練即可緩解癥狀（劉冰茜， 李雪冰， 2018; MacLeod amp; Mathews， 2012）。

近年來研究者開始將CBM-I應用于各類心理及精神疾病的治療中， 尤其是焦慮障礙。CBM-I對于強迫癥（Falkenstein et al.， 2022）、創傷后應激障礙（Woud et al.， 2022）、敵意和攻擊行為（Ren et al.， 2021; van Teffelen et al.， 2021）等心理問題干預效果顯著。在焦慮障礙上， 先前很多研究證明了CBM-I對于解釋偏向和焦慮癥狀的改善具有很好的即時效果（Hirsch et al.， 2021; MacLeod amp; Mathews， 2012; Rozenman et al.， 2020）和延時效果（Rozenman et al.， 2020）。最近發表在《柳葉刀》上的一項CBM對焦慮和抑郁障礙的干預效果的網狀元分析研究（Fodor et al.， 2020）， 發現CBM-I訓練組在焦慮癥狀的改善方面顯著優于等待組（SMD = ?0.55， 95% CI [?0.91， ?0.19]）和注意控制組（SMD = ?0.30， 95% CI [?0.50， ?0.10]）。

既然CBM-I用于干預焦慮障礙具有中等效果量， 那么， CBM-I能否用于干預健康焦慮？Antognelli等人（2020）首次在實驗室情境將計算機化的CBM-I應用于健康焦慮的治療， 這項RCT研究將89名參與者隨機分配到CBM-I干預組（100%積極反饋）和注意控制組（50%積極50%消極反饋）， 進行了為期一周的干預（共兩次訓練， 每次30分鐘）。結果表明， 治療后兩組患者的健康焦慮癥狀顯著減少， 但干預組健康焦慮發生臨床可靠變化的被試人數是對照組的兩倍， 且只有干預組被試對身體癥狀的良性歸因數量有所增加， 因此CBM-I干預組中健康焦慮的減少可能是由于被試以良性方式思考模糊情境的傾向增加了。值得一提的是， 在類似新冠肺炎這種高傳染性的重大公共衛生事件下， 上述這種現場干預有較多阻礙。有研究者提出， 鑒于CBM-I不太依賴于被試的快速反應或注意力集中， 操作過程也無需治療師的指導， 故很適合遷移到互聯網， 使治療過程不局限于醫院或者實驗室， 使受益人群拓展到更多不方便或者不愿意就醫的患者中（Ji et al.， 2021）， 且可極大降低求助者的污名化（Dreier et al.， 2019）。因此， 開發基于移動網絡化解釋偏向矯正（internet-based Cognitive Bias Modification-Interpretation， iCBM-I）干預健康焦慮的技術， 并檢驗其有效性， 是本研究擬考察的核心問題之一。

此外， 除了考察iCBM-I干預健康焦慮的有效性， 本研究擬進一步探索其作用的機制。檢查治療效果的中介變量與潛在影響因素可以幫助確定癥狀變化的機制（Zhang et al.， 2021）， 從而提升干預效果。根據Salkovskis和Warwick （1986）的認知模型， 個體的焦慮和恐懼情緒是由對個人有重大影響的負面信息或災難化解釋的經歷引起的， 據此， 個體的健康焦慮情緒是由對良性身體體征或癥狀的災難化解釋引起的。CBM-I正是一種專門針對解釋偏向而開發的干預手段（MacLeod amp; Mathews， 2012）， 即通過降低個體的災難化解釋水平進而緩解焦慮癥狀。災難化解釋被視為一種不合理信念， 它指的是個體傾向于擴大感知到的威脅并且高估潛在后果的嚴重性（Bailey amp; Wells， 2015）。相關研究者證明了災難化解釋在CBM-I降低焦慮敏感性（Capron et al.， 2017）、社交焦慮（Mobini et al.， 2014）和抑郁（Nieto amp; Vazquez， 2021）等負面情緒中的中介作用。鑒于健康焦慮者的解釋偏向特征是對健康相關刺激的災難化解釋（Du et al.， 2023）， 那么， iCBM-I是否能夠通過降低個體對健康相關刺激的災難化解釋來降低健康焦慮癥狀？同時， 人口學變量和癥狀變量基線水平是干預研究中常被考察的調節變量（Ren et al.， 2021）。那么， 這些變量是否會影響iCBM-I干預健康焦慮的效果呢？

1.4" 本研究的目的和意義

盡管先前研究者針對CBM-I進行了一系列探索， 但其在健康焦慮領域的應用還處于初步階段， CBM-I對于健康焦慮的干預效果證據尚且不足， 干預起效的心理機制尚不明確， 且可傳播性受到限制。綜上， 本研究的目的在于： （1）開發一款基于iCBM-I干預健康焦慮的技術， 檢驗其干預效果及其影響因素; （2）考察災難化解釋對于iCBM-I干預與健康焦慮癥狀改善之間的縱向中介作用。該研究在理論上有助于理解iCBM-I干預健康焦慮的起效機制， 為健康焦慮的早期識別和干預提供新視角; 在實踐上將有助于緩解健康焦慮癥狀， 特別是為回避求醫者、生活在偏遠地區者和行動受限的肢體殘疾者等群體提供易得性更高的心理干預方法， 同時減輕醫療負擔和人力成本。

2" 方法

2.1" 研究設計

本研究為三臂隨機對照試驗， 采用3 （組別： 100%積極反饋iCBM-I干預組， 50%積極50%消極反饋注意控制組， 等待組） × 3 （時間： 干預前， 干預后， 干預后一個月）混合設計。組別為組間變量， 時間為組內變量。研究方案獲得了華中師范大學生命科學倫理審查委員會的批準（倫理審查編號： CCNU-IRB-202210020）， 并在開放科學框架（Open Science Frame， OSF）網站進行了預注冊（DOI： 10.17605/OSF.IO/8QANC）， 本研究根據CONSORT聲明（Consolidated Standards of Reporting Trials）進行報告（Schulz et al.， 2010; 詳見網絡版附錄1）。

2.2" 研究對象

采用G*Power 3.1.9.7事先計算樣本量。以健康焦慮為主要因變量， 參考以往同類型研究的中等效應量d = 0.50 （Antognelli et al.， 2020; Kerstner et al.， 2015）， 需要159名被試能達到顯著性水平α = 0.01和（1 ? β） = 0.80的統計檢驗力（Yang et al.， 2017）。根據同類型研究中25%的脫落率（Hirsch et al.， 2021）， 本研究至少需要招募213名被試， 每組71名。

被試的納入標準包括： （1）年齡在18～65歲之間; （2）漢語流利和識字， 使用智能手機; （3）有健康焦慮癥狀， 即當前簡式健康焦慮量表（Short Health Anxiety Inventory， SHAI）得分≥15。排除標準包括： （1）自殺或自殘風險， 即當前PHQ-9中自殺意念得分 gt; 1， 或過去12個月有自殺企圖， 或當前有自我傷害風險（Antognelli et al.， 2020）; （2）有精神分裂癥、分裂情感障礙、雙相情感障礙和藥物成癮的臨床診斷（Weck， Neng， Richtberg， et al.， 2015）; （3）正在接受心理咨詢; （4）正在參與其他干預研究或臨床試驗; （5）本人不愿意參加。

2.3" 測量工具

簡式健康焦慮量表（SHAI）" 本研究采用Salkovskis等人（2002）編制， Zhang等人（2015）修訂的中文版SHAI來測量個體的健康焦慮水平， 每個題目采用4點計分， 0分代表“從不”， 3分代表“總是”。該量表共18道題目， 包括兩個維度： （1）患病可能性， 共14道題; （2）消極結果， 共4道題。例如“我擔心自己的健康”。本研究將該量表的總得分代表個體的健康焦慮水平， 總分為0～54分， 分數越高表示健康焦慮癥狀越嚴重， 臨界值為15分（Kerstner et al.， 2015）。研究表明， 該量表的中文版具有良好的信效度（Zhang et al.， 2015）。本研究中， 該量表的內部一致性信度Cronbach’ α = 0.887。

軀體與健康認知量表（Cognitions About Body and Health Questionnaire， CABAH）" 本研究采用由Rief等人（1998）編制， Liao和Huang （2021）修訂的中文版CABAH來測量與健康焦慮癥狀有關的特定認知。CABAH每道題目采用4點計分方式， 1分代表“完全不同意”， 4分代表“完全同意”。中文修訂版的問卷共包括6個分量表： ①身體虛弱; ②健康習慣; ③特定身體疾病的災難化解釋; ④軀體感覺放大; ⑤一般身體疾病的災難化解釋; ⑥反向。參考同類研究（Bailey amp; Wells， 2016; Elhamiasl et al.， 2020; Houran et al.， 2002）， 我們選取“特定身體疾病的災難化解釋”和“一般身體疾病的災難化解釋”兩個分量表來評估個體的災難化解釋水平。例如“皮膚上的紅斑是皮膚癌的危險跡象”。研究表明， 該量表的中文版具有較好的信效度（Liao amp; Huang， 2021）。本研究中， 該量表的內部一致性信度Cronbach’ α = 0.827。

患者健康問卷（Patient Health Questionnaire-9， PHQ-9）" 本研究采用PHQ-9來測量個體的抑郁癥狀（Kroenke amp; Spitzer， 2002）。PHQ-9由9個題目組成， 例如“做事時提不起勁或沒有興趣”。每個題目采用4點計分， 1分代表“不符合”， 4分代表“總是符合”。總分4～36分， 分數越高表示抑郁癥狀越嚴重。研究表明， 該量表的中文版具有較好的信效度（Du et al.， 2017）。本研究中， 該量表的內部一致性信度Cronbach’ α = 0.864。

廣泛性焦慮障礙量表（Generalized Anxiety Disorder-7， GAD-7）" 本研究采用GAD-7來測量個體的焦慮癥狀（Spitzer et al.， 2006）。GAD-7由7個題目組成， 例如“感覺緊張、焦慮或急切”。每個題目采用4點計分， 1分代表“不符合”， 4分代表“總是符合”。總分4～28分， 分數越高表示焦慮癥狀越嚴重。研究表明， 該量表的中文版具有較好的信效度（Gong et al.， 2021）。本研究中， 該量表的內部一致性信度Cronbach’ α = 0.893。

2.4" 干預材料與程序

本研究的iCBM-I程序參考Mathews和Mackintosh （2000）開發的模糊情境范式， 健康焦慮干預情境以群際威脅理論為基礎， 根據前人相關研究進行改編和拓展。Lau等人（2020）的研究中， 設置了直接身體傷害、長期疾病、社會拒絕與表現失敗四種威脅情境。群際威脅理論（Rios et al.， 2018）認為， 個人威脅包括軀體傷害與痛苦、自尊受損（包括社會拒絕與表現失敗等）及經濟損失等。結合此理論與健康焦慮個體的特點， 本研究設置了軀體癥狀、長期疾病和直接身體傷害三種健康相關的威脅情境和社會拒絕、表現失敗和經濟損失三種非健康相關的威脅情境。共包括60個場景， 分為30個健康相關的威脅場景和30個一般的威脅場景， 所有場景由臨床與咨詢心理學領域有豐富的實踐經驗的一位教授和兩位博士對其相關性進行評估和討論修改。

干預組： 本研究的干預組采用100%積極反饋iCBM-I組。參與者共進行4次訓練， 每次訓練中包括15個健康相關的威脅場景和15個一般的威脅場景， 呈現的順序是隨機的。后兩次訓練中的威脅場景重復前兩次的威脅場景。在每個模塊開頭添加說明， 鼓勵參與者生動的想象每個場景。在每一個訓練場景的試次中， 首先在屏幕中央呈現一個與健康威脅相關或一般威脅相關的模糊場景， 然后有至少3秒鐘的想象時間， 參與者理解并想象完成后， 點擊屏幕中的“我已理解”鍵繼續。在前兩次的訓練中， 此時屏幕上呈現積極和消極兩種解釋， 要求參與者選擇與自身想法最接近的一個解釋， 最后根據參與者的選擇呈現相應的反饋語。如果參與者選擇了積極解釋的選項， 那么給予的反饋是“很棒， 你選擇了一個積極的解釋， 這對你有好處。繼續保持”。如果參與者選擇了消極解釋的選項， 那么給予的反饋是“很遺憾， 你選擇了一個消極的解釋， 這對你不利。繼續努力”。通過對參與者做出的選擇進行反饋， 強化訓練效果。在后兩次的訓練中， 此時要求被試自行想象可能的積極結果， 并盡可能寫下來。該組全程通過我們自主研發的“HA自助干預”微信小程序的入口一進行。

控制組： 為了檢驗在iCBM-I技術中起主要作用的反饋環節對于健康焦慮和災難化解釋的干預作用， 我們使用了50%積極50%消極反饋iCBM-I組作為注意控制組， 該訓練不完全是惰性的， 它是CBM-I研究中使用的典型控制組， 因為它控制了訓練時長、場景內容等很多無關變量（Menne- Lothmann et al.， 2014）。參與者被要求以消極的方式解決50%的模糊情景， 而以積極的方式解決另外50%的模糊情景。具體來說， 注意控制組與干預組不同的地方就在于， 在前兩次訓練中， 50%的模糊場景中， 對于其積極解釋給出的反饋是消極的， 而對于其消極解釋給出的反饋是積極的; 在后兩次訓練中， 要求被試自行想象所有可能（包括積極和消極）的結果， 并盡可能寫下來。該組全程通過“HA自助干預”微信小程序的入口二進行。

等待組： 為了檢驗“HA自助干預”小程序整體對于健康焦慮和災難化解釋的干預作用， 我們還使用了等待組。干預期間， 該組參與者不接受任何形式的訓練和測量。因倫理考慮， 在我們的實驗結束后為其提供100%積極反饋iCBM-I干預。

2.5" 研究過程

首先， 我們通過在QQ、微信等社交軟件發布廣告招募參與者， 在2022年11月7日對參與研究的志愿者進行基線測量和篩查（即T0）， 包括人口統計學問卷、SHAI、CABAH、PHQ-9和GAD-7， 對符合本研究條件的參與者進行5分鐘電話訪談。訪談的主要目的在于， 確認參與者的報名信息， 確認是否存在精神病性診斷或者是否正在進行心理咨詢或治療， 評估自殺和自傷風險。經過電話訪談， 研究者將加符合納入標準并自愿參與研究的參與者的微信， 將知情同意書在微信上發送給參與者。將簽署了知情同意書的參與者1∶1∶1分配到干預組、控制組或等待組。本研究為單盲試驗， 被試分配采用區組隨機化的方式， 使用隨機序列生成網址（https：//www.random.org/lists/）生成隨機號， 區組大小固定為6， 由第一作者依據隨機序列， 按被試報名順序進行組別分配。

研究者于2022年11月16日通過微信將“HA自助干預”微信小程序和唯一用戶編號發給干預組和控制組的參與者， 參與者填寫各自的用戶編號即可登錄小程序。用戶編號由研究者提前設定， 干預組的參與者編號為奇數（如001001）， 登錄后自動進入小程序的入口一， 控制組的參與者編號為偶數（如002002）， 登錄后自動進入小程序的入口二。成功登錄后， 參與者將開始12天的iCBM-I干預， 每隔3天一次， 每次約15分鐘。每次訓練結束后（共四次， 時間依次記為T1、T2、T3、T4）均進行SHAI、CABAH、PHQ-9和GAD-7測量， 所有測量均在小程序中進行。等待組只有在干預試驗結束后進行SHAI、CABAH、PHQ-9和GAD-7測量， 通過微信發放問卷星鏈接進行。干預試驗結束后的一個月（12月26日： T5）， 通過微信給三個組的所有參與者發放問卷星鏈接進行SHAI、CABAH、PHQ-9和GAD-7的追蹤測量。被試篩選及干預流程如圖1所示。

2.6" 數據處理

本研究使用SPSS 25.0和Mplus 8.3進行數據處理與分析。在描述統計分析的基礎上， 對健康焦慮的iCBM-I干預進行效果和機制檢驗。

2.6.1" 效果檢驗

基于干預前、干預后和干預后一個月3個時間點的數據， 對iCBM-I的即時干預效果和一個月后的追蹤效果進行分析。基于意向治療原則， 使用多重插補法填充缺失數據， 將人口學變量作為預測變量， 對結果變量進行插補， 插補的迭代次數為50次。填補缺失值之后， 采用廣義線性混合模型（Generalized Linear Mixed Models， GLMM）分別評估iCBM-I對健康焦慮、災難化解釋、焦慮和抑郁的干預效果。

2.6.2" 機制檢驗

采用兩因素方差分析和層次回歸分析考察人口學變量和癥狀變量基線水平對健康焦慮即時干預效果的影響。為防止多重共線性， 首先對調節變量進行中心化處理， 并對干預組別進行虛擬編碼， 設置干預組為參照組（D1： 控制組 = 1， 干預組/等待組 = 0; D2： 等待組 = 1， 干預組/控制組 = 0）。方差膨脹因子 gt; 10或容忍度 lt; 0.1表明存在多重共線性（Midi amp; Bagheri， 2010）。以健康焦慮改變量的殘差值作為因變量， 來控制基線水平的干擾（Kisbu-Sakarya et al.， 2013）。為了避免人口學變量的某些類別數目過少造成的統計偏差， 我們對以下幾個變量進行了合并編碼： 將“常住地”中的“城市”和“郊區”合并為“城郊”， 將“工作狀況”中的“兼職工作”和“無穩定工作”合并為“無穩定工作”， 將“自評收入狀況”中的“基本不滿足”和“完全不滿足”合并為“不滿足”。

采用潛在增長曲線模型（Latent Growth Curve Model， LGCM）， 檢驗災難化解釋在iCBM-I干預與健康焦慮改善之間的縱向中介作用。以干預組和控制組的5個時間點（即基線和4個單元后的后測）收集的重復測量數據作為觀察指標， 采用全息極大似然估計法（Full Information Maximum Likelihood， FIML）， 估計健康焦慮和災難化解釋的潛在截距（即初始狀態）和潛在斜率（即改變速率）。首先， 采用單變量LGCM分別估計健康焦慮和災難化解釋總分在5個時間點的變化軌跡。健康焦慮和災難化解釋在每個時間點的截距因子載荷設置為1， 斜率因子載荷根據變化軌跡檢驗的結果設置。若軌跡符合線性模型， 則斜率載荷設置為0、1、2、3、4， 若軌跡符合二次模型， 則斜率載荷設置為0、1、4、9、16 （Brown， 2007）。其次， 平行發展模式的LGCM檢驗干預組別、災難化解釋變化速率和健康焦慮變化速率三者之間的相關性。最后， 在平行發展模式的LGCM基礎上構建組別、災難化解釋斜率和健康焦慮斜率的中介模型。將干預組別進行虛擬編碼， 干預組編碼為1， 控制組編碼為0。在模型成立的基礎上使用Bootstrap法對中介效應的顯著性進行檢驗。如果間接效應的95%置信區間不包含0， 則表明存在中介效應。卡方自由度比（χ2/df）、CFI和SRMR等指標用于評價LGCM的擬合程度。χ2/df lt; 3表示模型擬合良好（Hu amp; Bentler， 1998）。當樣本量較小（N ≤ 250）時， SRMR lt; 0.08且CFI gt; 0.90表示模型可接受（Hu amp; Bentler， 1999）。AIC和BIC用于模型比較和最優選擇， 值越小表明模型與觀測數據的擬合越好（Burnham amp; Anderson， 2004）。

3" 結果

3.1" 被試基本特征

共有228人符合條件并同意參與本研究， 干預組、控制組和等待組各76人。其中， 210人參與了全程研究， 干預組、控制組和等待組各70人; 脫落率為7.9 %。無被試報告不良反應情況。

樣本特征詳見網絡版附錄2。采用χ2檢驗分析三組的性別、常住地、受教育程度、婚姻狀況、工作狀況和收入狀況的差異是否顯著。結果表明， 受教育程度在三組之間差異顯著， χ2（6） = 15.09， p = 0.020; 其他變量在三組之間的差異不顯著（ps gt; 0.05）。檢驗三組的年齡、SHAI、CABAH、PHQ-9和GAD-7的基線水平差異是否顯著， 因CABAH數據符合正態分布（Shaprio-Wilk檢驗p = 0.272）且方差齊性（F = 0.13， p = 0.882）， 故采用單因素方差分析檢驗; 因年齡、SHAI、PHQ-9和GAD-7數據不符合正態分布（Shaprio-Wilk檢驗ps lt; 0.01）， 故采用Kruskal-Wallis H檢驗。結果表明， CABAH在三組之間差異顯著， F（2， 225） = 9.70， p lt; 0.001; 其他變量在三組之間的差異不顯著（ps gt; 0.05）。

3.2" 干預效果分析： 基于意向治療原則

對結果變量的正態檢驗顯示， SHAI、CABAH、PHQ-9和GAD-7總分的數據均不符合正態分布（Shaprio-Wilk檢驗ps lt; 0.02）， 因此， 我們使用允許結果變量非正態的GLMM進行干預效果檢驗， 結果如表1和圖2所示。以SHAI總分為結果變量， 以受教育程度和CABAH基線水平作為協變量， GLMM分析結果顯示， 干預組別的主效應顯著， F（2， 671） = 5.03， p lt; 0.01， η2p = 0.01; 干預時間的主效應顯著， F（2， 671） = 37.88， p lt; 0.001， η2p = 0.10。干預組別與干預時間的交互效應顯著， F（4， 671） = 4.72， p lt; 0.01， η2p = 0.03。進一步的簡單效應檢驗顯示， 干預前， 三組在SHAI總分上差異不顯著， F（2， 671） = 0.85， p = 0.427; 干預后， 三組在SHAI總分上差異顯著， F（2， 671） = 4.77， p lt; 0.01， η2p = 0.01; 干預后一個月， 三組在SHAI總分上差異顯著， F（2， 671） = 6.57， p lt; 0.01， η2p = 0.02。

以CABAH總分為結果變量， 以受教育程度和CABAH基線水平作為協變量， GLMM分析結果顯示， 干預組別的主效應顯著， F（2， 671） = 7.89， p lt; 0.001， η2p = 0.02; 干預時間的主效應顯著， F（2， 671） = 64.48， p lt; 0.001， η2p = 0.16。干預組別與干預時間的交互效應顯著， F（4， 671） = 10.64， p lt; 0.001， η2p = 0.06。進一步的簡單效應檢驗顯示， 干預前， 三組在CABAH總分上差異不顯著， F（2， 671） = 2.34， p = 0.097; 干預后， 三組在CABAH總分上差異顯著， F（2， 671） = 13.84， p lt; 0.001， η2p = 0.04; 干預后一個月， 三組在CABAH總分上差異顯著， F（2， 671） = 11.47， p lt; 0.001， η2p = 0.03。

以PHQ-9總分為結果變量， 以受教育程度和CABAH基線水平作為協變量， GLMM分析結果顯示， 干預組別的主效應顯著， F（2， 671） =10.86， p lt; 0.001， η2p = 0.03; 干預時間的主效應顯著， F（2， 671） = 20.90， p lt; 0.001， η2p = 0.06。干預組別與干預時間的交互效應顯著， F（4， 671） = 7.28， p lt; 0.001， η2p = 0.04。進一步的簡單效應檢驗顯示， 干預前， 三組在PHQ-9總分上差異不顯著， F（2， 671） = 1.06， p = 0.346; 干預后， 三組在PHQ-9總分上差異顯著， F（2， 671） = 17.24， p lt; 0.001， η2p = 0.05; 干預后一個月， 三組在PHQ-9總分上差異顯著， F（2， 671） = 11.21， p lt; 0.001， η2p = 0.03。

以GAD-7總分為結果變量， 以受教育程度和CABAH基線水平作為協變量， GLMM分析結果顯示， 干預組別的主效應顯著， F（2， 671） =5.11， p lt; 0.01， η2p = 0.02; 干預時間的主效應顯著， F（2， 671） = 24.15， p lt; 0.001， η2p = 0.07。干預組別與干預時間的交互效應顯著， F（4， 671） = 3.60， p lt; 0.01， η2p = 0.02。進一步的簡單效應檢驗顯示， 干預前， 三組在GAD-7總分上差異不顯著， F（2， 671） = 0.51， p = 0.601。干預后， 三組在GAD-7總分上差異顯著， F（2， 671） = 7.54， p lt; 0.01， η2p = 0.02; 干預后一個月， 三組在GAD-7總分上差異顯著， F（2， 671） = 6.10， p lt; 0.01， η2p = 0.02。

3.3" 干預效果的影響因素分析

多重共線性檢驗發現， 各模型容忍度均大于0.45， 方差膨脹因子均小于2.22， 因此不存在多重共線性問題。對人口學變量的分析結果顯示（詳見網絡版附錄3）， 性別、年齡、常住地、受教育程度、婚姻狀況、工作狀況和收入狀況的調節作用不顯著（ps gt; 0.05）。對癥狀變量基線水平的分析結果顯示， 組別D2 （干預組vs. 等待組）和災難化解釋基線水平的交互項可顯著預測健康焦慮癥狀的變化（β = 0.197， t = 2.006， p = 0.046）。進一步簡單斜率檢驗發現， 在干預組中， 災難化解釋基線水平低的個體與基線水平高的個體在健康焦慮癥狀上的變化差異不顯著（simple slope = ?0.273， t = ?1.574， p = 0.117）; 在等待組中， 災難化解釋基線水平低的個體與基線水平高的個體在健康焦慮癥狀上的變化差異不顯著（simple slope = 0.140， t = 1.160， p = 0.247）， 如圖3所示。組別D2 （干預組vs. 等待組）和健康焦慮基線水平的交互項可顯著預測健康焦慮改善量（β = 0.311， t = 3.405， p lt; 0.01）。進一步簡單斜率檢驗發現， 在干預組中， 健康焦慮基線水平低的個體在健康焦慮癥狀上的變化顯著高于基線水平高的個體（simple slope = ?0.281， t = ?2.364， p = 0.019）; 在等待組中， 健康焦慮基線水平低的個體與基線水平高的個體在健康焦慮癥狀上的變化差異不顯著（simple slope = 0.222， t = 1.302， p = 0.194）， 如圖4所示。組別（D1， D2）和焦慮基線水平、抑郁基線水平的交互預測作用均不顯著。

3.4" 縱向中介效應分析

對健康焦慮和災難化解釋分別進行單變量LGCM分析， 結果顯示， 健康焦慮的變化軌跡更符合二次增長模型（截距 = 29.02， p lt; 0.001; 線性斜率 = ?0.93， p = 0.140; 二次斜率 = ?0.01， p = 0.960）， 災難化解釋的變化軌跡更符合二次增長模型（截距 = 36.33， p lt; 0.001; 線性斜率 = ?2.79， p lt; 0.001; 二次斜率 = 0.38， p lt; 0.001）， 詳見表2和圖

5。故將其斜率載荷均設置為0、1、4、9、16， 進而使用平行發展模式的LGCM檢驗變量之間的相關性。結果顯示， χ2 = 112.51， df = 36， p lt; 0.001， SRMR = 0.06， CFI = 0.94， AIC = 9010.68， BIC = 9010.68， 結果提示變量相關模型可接受。組別與災難化解釋的二次斜率因子（β = ?0.23， p lt; 0.001）、組別與健康焦慮的二次斜率因子（β = ?0.29， p lt; 0.01）之間均存在顯著的負相關關系， 災難化解釋的二次斜率因子與健康焦慮的二次斜率因子（β = 23.63， p lt; 0.001）之間存在顯著的正相關關系。

以受教育程度、災難化解釋基線水平為協變量， 干預組別為自變量， 災難化解釋的二次斜率因子為中介變量， 健康焦慮的二次斜率因子為結果變量， 構建中介模型結果顯示， χ2 = 110.71， df = 38， p lt; 0.001， SRMR = 0.05， CFI = 0.94， AIC = 8126.99， BIC = 8262.84， 結果提示中介模型可接受。災難化解釋在健康焦慮干預中的總效應顯著（B = ?1.39， 95% CI： ?2.15， ?0.71）， 直接效應顯著（B = 3.88， 95% CI： 1.19， 15.01）， 間接效應顯著（B = ?5.27， 95% CI： ?16.58， ?2.54）， 即災難化解釋在組別與健康焦慮干預效果中起到部分縱向中介作用， 中介路徑如圖6所示。具體來說， 組別到災難化解釋二次斜率因子的回歸系數為?1.13 （p lt; 0.001）， 說明組別對災難化解釋隨時間的變化速度有顯著的負向預測作用， 即干預組的災難化解釋水平隨時間的下降速度大于控制組。災難化解釋二次斜率因子到健康焦慮二次斜率因子的回歸系數為4.68 （p = 0.027）， 說明災難化解釋隨時間的變化速度對健康焦慮隨時間的變化速度有顯著的正向預測作用， 即隨著時間的變化， 災難化解釋水平下降地越快， 進而健康焦慮水平下降地也越快。

4" 討論

本研究旨在考察iCBM-I干預健康焦慮的效果、影響因素及災難化解釋的縱向中介效應， 是首次考察iCBM-I干預健康焦慮的心理機制的RCT研究。本研究專門針對健康焦慮者開發了基于iCBM-I技術的“HA自助干預”微信小程序， 測試了小程序的效果及人口學變量和癥狀變量對于干預效果的調節效應， 以及災難化解釋的中介效應。在構建干預的中介模型時， 先前相關研究中的中介變量和結果變量多采用干預前后的變量差值（Mobini et al.， 2014; Zhang et al.， 2021）， 但變量間隨時間的縱向發展趨勢并非簡單的線性關系（Helmich et al.， 2020）， 故我們的研究進行了多時間點測量， 首次

使用LGCM分析健康焦慮和災難化解釋隨時間變化的非線性軌跡以及災難化解釋的縱向中介作用， 使得iCBM-I干預健康焦慮的中介模型更為精確。

4.1" iCBM-I干預健康焦慮的效果

本研究考察了iCBM-I干預健康焦慮的即時和追蹤效果。結果發現， 干預后， iCBM-I干預組的健康焦慮癥狀顯著低于控制組， iCBM-I干預組的災難化解釋水平顯著低于控制組和等待組。干預后一個月， iCBM-I干預組的健康焦慮癥狀顯著低于等待組， iCBM-I干預組的災難化解釋水平顯著低于控制組和等待組。對于干預組的健康焦慮改善效果顯著高于控制組的結果， 在重癥焦慮患者（Rozenman et al.， 2020）、社交焦慮（Zhang et al.， 2021）以及強迫癥（Falkenstein et al.， 2022）等心理疾病的改善研究中也得到強有力的驗證。對不同情緒障礙的CBM-I訓練效果進行的元分析研究也發現， 與控制組或等待組相比， 以CBM-I為基礎的干預方案的組內效應量更大， 更有助于發展出個體的積極解釋偏向（Menne-Lothmann et al.， 2014）。CBM-I訓練可能會使健康焦慮個體接觸到他們平時會刻意避免的健康相關信息， 這種鼓勵暴露的措施本身就可能導致個體的負面健康認知和健康焦慮的顯著性降低（Antognelli et al.， 2020; Weck， Neng， Richtberg， et al.， 2015）。同時， 訓練中的反饋功能不斷強化個體對良性的軀體感覺變化做出積極解釋， 根據健康焦慮綜合模型（Taylor amp; Asmundson， 2004）的觀點， 對積極解釋的積極強化能夠降低其威脅和災難化解釋的可能性， 糾正其功能失調的疾病相關信念， 進而減少個體對患上嚴重疾病的過度擔憂。

值得注意的是， 本研究結果顯示， 干預組與控制組的健康焦慮癥狀改善有顯著差異， 卻與等待組的健康焦慮癥狀改善沒有顯著差異。我們認為可能的解釋有， 一是等待組的個體意識到自己正在參加關于改善健康焦慮的研究， 這本身或許就對個體的相關情緒有一定的舒緩作用; 二是50%積極50%消極反饋iCBM-I控制組對于不同特質的被試可能有不同的效果， 消極反饋情境的影響可能會抵消一部分或者全部的積極反饋情境的影響， 對于那些對負面信息極度敏感的個體來說甚至可能導致副作用; 三是iCBM-I并非對所有個體都有效（Krebs et al.， 2018）， 可能存在著影響干預效果的因素。

4.2" 影響iCBM-I干預效果的因素

本研究考察了人口學變量（性別、年齡、受教育程度、常住地、婚姻狀況、工作狀況和收入狀況）和癥狀基線水平（健康焦慮、災難化解釋、焦慮和抑郁基線嚴重程度）對干預效果的調節作用。結果發現， 健康焦慮基線水平和災難化解釋基線水平對干預組別與健康焦慮改善的關系有顯著調節作用， 但此調節作用僅發生在組別D2 （干預組vs. 等待組）中， 而非組別D1 （干預組vs. 控制組）中。對于健康焦慮和災難化解釋基線嚴重程度越高的個體， iCBM-I對其干預效果越好， 這與已有研究結果相似（Ren et al.， 2021）。對此可能的解釋是癥狀測量分數的有限可變性。對于健康焦慮和災難化解釋基線水平越低的個體， 改善空間越小， 而健康焦慮水平與災難化解釋水平有很強的相關性（Jones amp; Sharpe， 2017）， 這可能會限制iCBM-I對基線水平較低的個體的健康焦慮癥狀的干預效果。

對健康焦慮的iCBM-I干預效果沒有顯著影響的因素有個體的年齡、性別、常住地、受教育程度、婚姻狀況、工作狀況、收入狀況、焦慮和抑郁的基線嚴重程度。以往未有研究探討這些變量對iCBM-I干預效果的影響， 未來研究者可以在其RCT研究的基礎上增加亞組分析來考察其效果的影響因素， 或者設計更多、更豐富的研究來探究這部分的內容。

4.3" 災難化解釋的中介機制

本研究首次探究了災難化解釋在健康焦慮的iCBM-I干預中的中介效應， 結果支持災難化解釋變化在干預組別與健康焦慮改善的關系中起到縱向中介作用， 與先前大部分CBM-I相關研究的結果一致。比如， Capron等人（2017）與Mobini等人（2014）關于CBM-I的研究均證明了解釋偏向的變化介導了干預條件和癥狀變化之間的關系。根據認知內容特異性假說（Chan et al.， 2020）， 對健康相關刺激的災難化解釋是健康焦慮的獨特且核心癥狀， 本研究針對此癥狀編制了個性化的CBM-I干預材料， 通過反饋和強化來矯正健康焦慮個體的災難化認知， 進而降低健康焦慮水平。先前的研究者認為， 僅給被試呈現積極或消極的情境材料本身就可以影響其情緒反應， 并不是反饋和強化的作用（Salemink et al.， 2010）。而本研究通過設置注意控制對照組， 證明了僅給被試呈現情境材料本身并不足以改變其認知， CBM-I的起效機制是針對個體對于情境材料的解釋做出反饋和積極強化。

但也有部分研究得出了與本研究不一致的結論。對于社交焦慮的多課程CBM-I訓練干預， Zhang等人（2021）的研究得出解釋偏向的變化不具有顯著的中介效應的結論， 也就是說， 他們的結果不支持CBM-I通過減少解釋偏向來改善社交焦慮的假設。在iCBM-I改善抑郁癥狀的研究中， 使用模糊情境范式（Ambiguous Scenarios Test， AST）測量解釋偏向時， 解釋偏向的變化在iCBM-I干預與抑郁癥狀變化之間的中介作用不顯著（Nieto amp; Vazquez， 2021）。這些不顯著的研究結果可能是由于樣本量較小（Frazier et al.， 2004）或者解釋偏向測量范式效度低（Du et al.， 2023）導致的。

值得一提的是， 先前研究的證據尚未明確中介變量的具體變化軌跡。同時， 在縱向分析中使用顯變量時， 中介效應分析的能力可能會因測量的不可靠性而受到損害， 而潛變量的使用充分控制了測量誤差的影響（Rogosa et al.， 1982）。LGCM被認為是一種穩健可靠的縱向數據分析方法， 因其使用截距和斜率因子兩個潛變量構建變量的高階增長軌跡， 可以更好地揭示個體隨時間的變化和變化中的個體差異（Selig amp; Preacher， 2009）。平行發展模式的LGCM通過同時模擬中介變量和結果變量的增長軌跡， 可測試和解釋中介變量隨時間呈曲線增長時的中介機制（Von Soest amp; Hagtvet， 2011）。本研究發現， 災難化解釋和健康焦慮水平隨時間的變化均呈曲線下降趨勢， 且CBM-I干預可以通過增大災難化解釋水平的下降速度進而增大健康焦慮水平的下降速度。可能的解釋是， CBM-I是一種重復性的認知矯正訓練（MacLeod amp; Mathews， 2012）， 隨著訓練次數變多， 個體逐漸掌握并越來越熟練地使用良性認知對健康相關情境進行非災難化的積極解釋。積極解釋的過程增強了個體的幸福體驗， 促使個體不斷減少對軀體感覺變化和疾病信息的關注（Dezutter et al.， 2010）， 從而降低健康焦慮癥狀。本研究在前人使用改善量作為縱向中介的基礎上， 進一步明晰了變量發展速度的介導機制。

4.4" 臨床意義

以下以本研究結果為依據， 結合已有研究發現， 從臨床意義角度對健康焦慮的網絡化干預提出幾點看法。（1）對于那些處于偏遠地區或身體殘疾等不便就醫、回避就醫的健康焦慮患者， 網絡化干預是一種比傳統的面對面治療更能被其接受的方式， 同時基于iCBM-I這種“自下而上”療法的認知和操作的簡易性優勢， 會降低網絡化治療的脫落率。（2）本研究發現健康焦慮癥狀基線水平和災難化解釋基線水平更高的患者， 將會在iCBM-I干預中更加獲益。所以， 對于病理性健康焦慮患者， iCBM-I程序或許可以作為藥物治療的輔助治療手段， 從軀體和心理的雙重視角改善患者的健康狀況。（3）在臨床實踐中， 除了常規的診斷標準， 臨床工作者還要注意從災難化解釋的角度識別潛在的健康焦慮患者， 并針對不同患者特點設計更具個性化的治療方案。

4.5" 研究局限

本研究存在一定的局限性。（1）本研究以問卷來測量健康焦慮的認知和態度， 主要通過測量意識加工而非無意識加工來評估癥狀的變化， 答案的選擇可能會受到參與者需求特征和響應偏差的影響（Hirsch et al.， 2016）， 也沒有關注到個體行為層面的改變。未來的研究最好同時使用問卷測量和臨床診斷法， 從認知、態度和行為等多層面來評估健康焦慮， 同時結合生物學方法（如事件相關電位; Hirsch et al.， 2016）和神經相關任務（如fMRI; Yan" et al.， 2019）進行癥狀變化的測量， 可以使結果更加多維化和準確化。（2）由于我們的研究更關注iCBM-I小程序整體對于健康焦慮的干預效果， 為減輕被試負擔， 所以在T1、T2和T3時間點沒有對等待組的被試進行測量。故本研究只能比較干預組和控制組之間隨時間變化的相對效果趨勢， 無法分析干預組隨時間變化的絕對效果趨勢。未來的研究設計可以更加精細化， 比如控制所有組別的測量時間和次數完全一致， 以便更明確地考察小程序單次訓練課程的效果與整體訓練的趨勢變化。（3）本研究采用的是亞臨床樣本， 小程序的干預效果是否適用于健康焦慮的臨床樣本仍需要更多實證研究的證據。未來研究可以在更多元化的樣本群體中驗證iCBM-I的干預效果。（4）健康焦慮很可能與其他焦慮障礙或癥狀存在共病情況， 進而對研究結果產生混淆作用。未來研究要進一步明確健康焦慮的癥狀特征， 保證測量和診斷的準確性。（5）在焦慮障礙領域， 災難化解釋被認為是焦慮癥狀出現的主要原因（Gellatly amp; Beck， 2016）， 故本研究僅從解釋偏向角度出發， 考察了災難化解釋這一變量的中介作用， 對于健康焦慮的認知理論構建和機制解釋的維度較為單一。建議未來研究從注意、解釋、記憶和期望偏向等多角度構建健康焦慮的認知偏向理論和機制模型。

5" 結論

本研究得出以下結論： （1）100%積極反饋iCBM-I干預對健康焦慮者的健康焦慮、災難化解釋、一般焦慮和抑郁癥狀存在顯著的即時和延時干預效果; （2）健康焦慮者的婚姻狀況、健康焦慮癥狀基線水平和災難化解釋基線水平在iCBM-I干預與健康焦慮癥狀改善之間起到調節作用; （3）災難化解釋在iCBM-I干預與健康焦慮癥狀改善之間起到縱向中介作用。具體來說， iCBM-I訓練通過降低健康焦慮者的災難化解釋水平進而降低其健康焦慮癥狀。

參" 考" 文" 獻

Agarwal， G.， Varghese， S.， Francis， M.， amp; Willan， J. （2023）. High prevalence of persistent COVID-19-related health anxiety and social restriction in patients with haematological disorders. British Journal of Haematology， 202（5）， 1065?1070.

Akbari， M.， Spada， M. M.， Nik?evi?， A. V.， amp; Zamani， E. （2021）. The relationship between fear of covid-19 and health anxiety among families with covid-19 infected： The mediating role of metacognitions， intolerance of uncertainty and emotion regulation. Clinical Psychology amp; Psychotherapy， 28（6）， 1354?1366.

Antognelli， S. L.， Sharrock， M. J.， amp; Newby， J. M. （2020）. A randomised controlled trial of computerised interpretation bias modification for health anxiety. Journal of Behavior Therapy and Experimental Psychiatry， 66， 101518.

Aue， T.， amp; Okon-Singer， H. （2020）. Cognitive biases in health and psychiatric disorders： Neurophysiological foundations. Academic Press.

Axelsson， E.， Andersson， E.， Ljótsson， B.， Bj?rkander， D.， Hedman-Lagerl?f， M.， amp; Hedman-Lagerl?f， E. （2020）. Effect of internet vs face-to-face cognitive behavior therapy for health anxiety： A randomized noninferiority clinical trial. JAMA Psychiatry， 77（9）， 915?924.

Bailey， R.， amp; Wells， A. （2015）. Metacognitive beliefs moderate the relationship between catastrophic misinterpretation and health anxiety. Journal of Anxiety Disorders， 34， 8?14.

Bredemeier， K.， Church， L.， Bounoua， N.， Feler， B.， amp; Spielberg， J. M. （2023）. Intolerance of uncertainty， anxiety sensitivity， and health anxiety during the COVID-19 pandemic： Exploring temporal relationships using cross-lag analysis. Journal of Anxiety Disorders， 93， 102660.

Brown， T. A. （2007）. Temporal course and structural relationships among dimensions of temperament and DSM-IV anxiety and mood disorder constructs. Journal of Abnormal Psychology， 116（2）， 313?328.

Bults， M.， Beaujean， D. J.， de Zwart， O.， Kok， G.， van Empelen， P.， van Steenbergen， J. E.， ... Voeten， H. A. （2011）. Perceived risk， anxiety， and behavioural responses of the general public during the early phase of the Influenza A （H1N1） pandemic in the Netherlands： Results of three consecutive online surveys. BMC Public Health， 11， 2.

Burnham， K. P.， amp; Anderson， D. R. （2004）. Multimodel inference： Understanding AIC and BIC in model selection. Sociological Methods amp; Research， 33（2）， 261?304.

Capron， D. W.， Norr， A. M.， Allan， N. P.， amp; Schmidt， N. B. （2017）. Combined “top-down” and “bottom-up” intervention for anxiety sensitivity： Pilot randomized trial testing the additive effect of interpretation bias modification. Journal of Psychiatric Research， 85， 75?82.

Chan， F. H. F.， Takano， K.， Lau， J. Y. F.， amp; Barry， T. J. （2020）. Evaluation of the factor structure and content specificity of the interpretation bias task （IBT）. Cognitive Therapy and Research， 44（6）， 1213?1224.

Clark， D.， Beck， A.， amp; Brown， G. （1989）. Cognitive mediation in general psychiatric outpatients： A test of the content- specificity hypothesis. Journal of Personality and Social Psychology， 56（6）， 958?964.

Dezutter， J.， Luyckx， K.， Schaap-Jonker， H.， Büssing， A.， Corveleyn， J.， amp; Hutsebaut， D. （2010）. God image and happiness in chronic pain patients： The mediating role of disease interpretation. Pain medicine， 11（5）， 765?773.

Dreier， M.， Ludwig， J.， Hrter， M.， Knesebeck， O. V. D.， Baumgardt， J.， Bock， T.， ... Liebherz， S. （2019）. Development and evaluation of e-mental health interventions to reduce stigmatization of suicidality： A study protocol. BMC Psychiatry， 19（1）， 152.

Du， N.， Yu， K.， Ye， Y.， amp; Chen， S. （2017）. Validity study of Patient Health Questionnaire-9 items for Internet screening in depression among Chinese university students. Asia- Pacific Psychiatry， 9（3）， e12266.

Du， X.， Witth?ft， M.， Zhang， T.， Shi， C.， amp; Ren， Z. （2023）. Interpretation bias in health anxiety： A systematic review and meta-analysis. Psychological Medicine， 53（1）， 34?45.

Eilenberg， T.， Hoffmann， D.， Jensen， J. S.， amp; Frostholm， L. （2017）. Intervening variables in group-based acceptance amp; commitment therapy for severe health anxiety. Behaviour Research and Therapy， 92， 24?31.

Falkenstein， M.， Kelley， K.， Dattolico， D.， Kuckertz， J.， Bezahler， A.， Krompinger， J.， Webb， C.， amp; Beard， C. （2022）. Feasibility and acceptability of cognitive bias modification for interpretation as an adjunctive treatment for OCD and related disorders： A pilot randomized controlled trial. Behavior Therapy， 53（2）， 294?309.

Fodor， L. A.， Georgescu， R.， Cuijpers， P.， Szamoskozi， ?.， David， D.， Furukawa， T. A.， amp; Cristea， I. A. （2020）. Efficacy of cognitive bias modification interventions in anxiety and depressive disorders： A systematic review and network meta-analysis. The Lancet Psychiatry， 7（6）， 506? 514.

Frazier， P. A.， Tix， A. P.， amp; Barron， K. E. （2004）. Testing moderator and mediator effects in counseling psychology research. Journal of Counseling Psychology， 51（1）， 115? 134.

Gellatly， R.， amp; Beck， A. T. （2016）. Catastrophic thinking： A transdiagnostic process across psychiatric disorders. Cognitive Therapy and Research， 40（4）， 441-452.

Gong， Y.， Zhou， H.， Zhang， Y.， Zhu， X.， Wang， X.， Shen， B.， Xian， J.， amp; Ding， Y. （2021）. Validation of the 7-item Generalized Anxiety Disorder scale （GAD-7） as a screening tool for anxiety among pregnant Chinese women. Journal of Affective Disorders， 282， 98?103.

Hedman， E.， Axelsson， E.， Gorling， A.， Ritzman， C.， Ronnheden， M.， El Alaoui， S.， ... Ljótsson， B. （2014）. Internet-delivered exposure-based cognitive-behavioural therapy and behavioural stress management for severe health anxiety： Randomised controlled trial. The British Journal of Psychiatry， 205（4）， 307?314.

Hedman-Lagerl?f， E.， Tyrer， P.， Hague， J.， amp; Tyrer， H. （2019）. Health anxiety. BMJ， 364， l774.

Helmich， M. A.， Wichers， M.， Olthof， M.， Strunk， G.， Aas， B.， Aichhorn， W.， Schiepek， G.， amp; Snippe， E. （2020）. Sudden gains in day-to-day change： Revealing nonlinear patterns of individual improvement in depression. Journal of Consulting and Clinical Psychology， 88（2）， 119?127.

Hirsch， C. R.， Krahé， C.， Whyte， J.， Krzyzanowski， H.， Meeten， F.， Norton， S.， amp; Mathews， A. （2021）. Internet-delivered interpretation training reduces worry and anxiety in individuals with generalized anxiety disorder： A randomized controlled experiment. Journal of Consulting and Clinical Psychology， 89（7）， 575?589.

Hirsch， C. R.， Meeten， F.， Krahé， C.， amp; Reeder， C. （2016）. Resolving ambiguity in emotional disorders： The nature and role of interpretation biases. Annual Review of Clinical Psychology， 12（1）， 281?305.

Hoffmann， D.， Rask， C. U.， Hedman-Lagerl?f， E.， Jensen， J. S.， amp; Frostholm， L. （2021）. Efficacy of internet-delivered acceptance and commitment therapy for severe health anxiety： Results from a randomized， controlled trial. Psychological Medicine， 51（15）， 2685?2695.

Hu， L.， amp; Bentler， P. M. （1998）. Fit indices in covariance structure modeling： Sensitivity to underparameterized model misspecification. Psychological Methods， 3（4）， 424?453.

Hu， L.， amp; Bentler， P. M. （1999）. Cutoff criteria for fit indexes in covariance structure analysis： Conventional criteria versus new alternatives. Structural Equation Modeling： A Multidisciplinary Journal， 6（1）， 1?55.

Jalloh， M. F.， Li， W.， Bunnell， R. E.， Ethier， K. A.， O' Leary， A.， Hageman， K. M.， ... Redd， J. T. （2018）. Impact of Ebola experiences and risk perceptions on mental health in Sierra Leone， July 2015. BMJ Global Health， 3（2）， e000471.

Ji， J. L.， Baee， S.， Zhang， D.， Calicho-Mamani， C. P.， Meyer， M. J.， Funk， D.， … Teachman， B. A. （2021）. Multi-session online interpretation bias training for anxiety in a community sample. Behaviour Research and Therapy， 142， 103864.

Jones， E. B.， amp; Sharpe， L. （2017）. Cognitive bias modification： A review of meta-analyses. Journal of Affective Disorders， 223， 175?183.

Kerstner， T.， Witth?ft， M.， Mier， D.， Diener， C.， Rist， F.， amp; Bailer， J. （2015）. A diary-based modification of symptom attributions in pathological health anxiety： Effects on symptom report and cognitive biases. Journal of Consulting and Clinical Psychology， 83（3）， 578?589.

Kisbu-Sakarya， Y.， Mackinnon， D. P.， amp; Aiken， L. S. （2013）. A monte carlo comparison study of the power of the analysis of covariance， simple difference， and residual change scores in testing two-wave data. Educational amp; Psychological Measurement， 73（1）， 47?62.

Krebs， G.， Pil， V.， Grant， S.， Esposti， M. D.， Montgomery， P.， amp; Lau， J. Y. F. （2018）. Research review： Cognitive bias modification of interpretations in youth and its effect on anxiety： A meta-analysis. Journal of Child Psychology and Psychiatry， 59（8）， 831?844.

Kroenke， K.， amp; Spitzer， R. L. （2002）. The PHQ-9： A new depression diagnostic and severity measure. Psychiatric Annals， 32（9）， 509?515.

Lau， J. Y. F.， Badaoui， M.， Meehan， A. J.， Heathcote， L. C.， Barker， E. D.， amp; Rimes， K. A. （2020）. Assessing the content specificity of interpretation biases in community adolescents with persistent and interfering pain. Pain， 161（2）， 319?327.

Liao， S.-C.， amp; Huang， W.-L. （2021）. Psychometric properties of the Chinese version of the cognitions about body and health questionnaire. Neuropsychiatric Disease and Treatment， 17， 1135?1144.

Liu， B.， amp; Li， X. （2018）. Cognitive bias modification of interpretation for social anxiety： A \"bottom-up\" intervention？ Advances in Psychological Science， 26（5）， 859?871.

[劉冰茜， 李雪冰. （2018）. 解釋偏向矯正： “自下而上”地改變社交焦慮個體的解釋偏向？ 心理科學進展， 26（5）， 859?871.]

Longmore， R. J.， amp; Worrell， M. （2007）. Do we need to challenge thoughts in cognitive behavior therapy？ Clinical Psychology Review， 27（2）， 173?187.

Luo， J.， Wang， P.， Li， Z.， Cao， W.， Liu， H.， Meng， L.， amp; Sun， J. （2021）. Health anxiety and its correlates in the general Chinese population during the COVID-19 epidemic. Frontiers in Psychiatry， 12， 743409.

MacLeod， C.， amp; Mathews， A. （2012）. Cognitive bias modification approaches to anxiety. Annual Review of Clinical Psychology， 8（1）， 189?217.

Mahase， E. （2020）. China coronavirus： Who declares international emergency as death toll exceeds 200. British Medical Journal， 368， m408.

Main， A.， Zhou， Q.， Ma， Y.， Luecken， L. J.， amp; Liu， X. （2011）. Relations of SARS-related stressors and coping to Chinese college students’ psychological adjustment during the 2003 Beijing SARS epidemic. Journal of Counseling Psychology， 58（3）， 410?423.

Mathews， A.， amp; Mackintosh， B. （2000）. Induced emotional interpretation bias and anxiety. Journal of Abnormal Psychology， 109（4）， 602?615.

Mcmanus， F.， Surawy， C.， Muse， K.， Vazquez-Montes， M.， amp; Williams， J. M. G. （2012）. A randomized clinical trial of mindfulness-based cognitive therapy versus unrestricted services for health anxiety （hypochondriasis）. Journal of Consulting and Clinical Psychology， 80（5）， 817?828.

Menne-Lothmann， C.， Viechtbauer， W.， H?hn， P.， Kasanova， Z.， Haller， S. P.， Drukker， M.， ... Lau， J. Y. F. （2014）. How to boost positive interpretations？ A meta-analysis of the effectiveness of cognitive bias modification for interpretation. PLoS ONE， 9（6）， e100925.

Midi， H.， amp; Bagheri， A. （2010）. Robust multicollinearity diagnostic measure in collinear data set. In Proceedings of the 4th international conference on applied mathematics， simulation， modeling （pp. 138?142）. World Scientific and Engineering Academy and Society.

Mobini， S.， Mackintosh， B.， Illingworth， J.， Gega， L.， Langdon， P.， amp; Hoppitt， L. （2014）. Effects of standard and explicit cognitive bias modification and computer-administered cognitive-behaviour therapy on cognitive biases and social anxiety. Journal of Behavior Therapy and Experimental Psychiatry， 45（2）， 272?279.

Morriss， R.， Patel， S.， Malins， S.， Guo， B.， Higton， F.， James， M.， ... Tyrer， H. （2019）. Clinical and economic outcomes of remotely delivered cognitive behaviour therapy versus treatment as usual for repeat unscheduled care users with severe health anxiety： A multicentre randomised controlled trial. BMC Medicine， 17（1）， 16.

Nieto， I.， amp; Vazquez， C. （2021）. Disentangling the mediating role of modifying interpretation bias on emotional distress using a novel cognitive bias modification program. Journal of Anxiety Disorders， 83， 102459.

Olatunji， B. O.， Kauffman， B. Y.， Meltzer， S.， Davis， M. L.， Smits， J. A. J.， amp; Powers， M. B. （2014）. Cognitive- behavioral therapy for hypochondriasis/health anxiety： A meta-analysis of treatment outcome and moderators. Behaviour Research and Therapy， 58， 65?74.

Ren， Z.， Lai， L.， Yu， X.， Li， S.， Ruan， Y.， Zhao， L. （2016）. Meta-analysis on CBM for anxiety disorder： Effect sizes， moderators and mediation. Advances in Psychological Science， 24（11）， 1690?1711.

[任志洪， 賴麗足， 余香蓮， 李松蔚， 阮怡君， 趙陵波. （2016）. 焦慮障礙的認知偏向矯正元分析： 效果量， 影響因素及中介檢驗. 心理科學進展， 24（11）， 1690?1711.]

Ren， Z.， Li， X.， Zhao， L.， Yu， X.， Li， Z.， Lai， L.， Yuan， Y.， amp; Jiang， G. （2016）. Effectiveness and mechanism of internet-based self-help intervention for depression： The Chinese version of MoodGYM. Acta Psychologica Sinica， 48（7）， 818?832.

[任志洪， 李獻云， 趙陵波， 余香蓮， 李政漢， 賴麗足， 阮怡君， 江光榮. （2016）. 抑郁癥網絡化自助干預的效果及作用機制——以漢化moodgym為例. 心理學報， 48（7）， 818? 832.]

Ren， Z.， Zhao， C.， Bian， C.， Zhu， W.， Jiang， G.， Zhu， Z. （2019）. Mechanisms of the Acceptance and Commitment Therapy： A meta-analytic structural equation model. Acta Psychologica Sinica， 51（6）， 662?676.

[任志洪， 趙春曉， 卞誠， 朱文臻， 江光榮， 祝卓宏. （2019）. 接納承諾療法的作用機制——基于元分析結構方程模型. 心理學報， 51（6）， 662?676.]

Ren， Z.， Zhao， Z.， Yu， X.， Zhang， L.， amp; Li， X. （2021）. Modification of hostile interpretation bias and self-reported aggression in juvenile delinquents： A randomized controlled trial. International Journal of Clinical and Health Psychology， 21（2）， 100226.

Rief， W.， Hiller， W.， amp; Margraf， J. （1998）. Cognitive aspects of hypochondriasis and the somatization syndrome. Journal of Abnormal Psychology， 107（4）， 587?595.

Rios， K.， Sosa， N.， amp; Osborn， H. （2018）. An experimental approach to Intergroup Threat Theory： Manipulations， moderators， and consequences of realistic vs. symbolic threat. European Review of Social Psychology， 29（1）， 212?255.

Rogosa， D. R.， Brandt， D.， amp; Zimowski， M. （1982）. A growth curve approach to the measurement of change. Psychological Bulletin， 92（3）， 726?748.

Rozenman， M.， Gonzalez， A.， Logan， C.， amp; Goger， P. （2020）. Cognitive bias modification for threat interpretations： Impact on anxiety symptoms and stress reactivity. Depression and Anxiety， 37（5）， 438?448.

Salemink， E.， van den Hout， M.， amp; Kindt， M. （2010）. How does cognitive bias modification affect anxiety？ Mediation analyses and experimental data. Behavioural and Cognitive Psychotherapy， 38（1）， 59?66.

Salkovskis， P. M.， amp; Warwick， H. M. C. （1986）. Morbid preoccupations， health anxiety and reassurance： A cognitive-behavioural approach to hypochondriasis. Behaviour Research and Therapy， 24（5）， 597?602.

Salkovskis， P. M.， Rimes， K. A.， Warwick， H. M. C.， amp; Clark， D. M. （2002）. The health anxiety inventory： Development and validation of scales for the measurement of health anxiety and hypochondriasis. Psychological Medicine， 32（5）， 843?853.

Schulz， K. F.， Altman， D. G.， Moher， D.， amp; CONSORT Group. （2010）. CONSORT 2010 Statement： Updated guidelines for reporting parallel group randomised trials. BMJ， 340， c332?c332.

Selig， J. P.， amp; Preacher， K. J. （2009）. Mediation models for longitudinal data in developmental research. Research in Human Development， 6（2-3）， 144?164.

S?rensen， P.， Birket-Smith， M.， Wattar， U.， Buemann， I.， amp; Salkovskis， P. （2011）. A randomized clinical trial of cognitive behavioural therapy versus short-term psychodynamic psychotherapy versus no intervention for patients with hypochondriasis. Psychological Medicine， 41（2）， 431?441.

Spitzer， R. L.， Kroenke， K.， Williams， J. B. W.， amp; L?we， B. （2006）. A brief measure for assessing generalized anxiety disorder： The GAD-7. Archives of Internal Medicine， 166（10）， 1092?1097.

Taylor， S.， amp; Asmundson， G. J. G. （2004）. Treating health anxiety： A cognitive-behavioral approach. Guilford Press.

Tolgou， T.， Rohrmann， S.， Stockhausen， C.， Krampen， D.， Warnecke， I.， amp; Reiss， N. （2018）. Physiological and psychological effects of imagery techniques on health anxiety. Psychophysiology， 55（2）， e12984.

Tyrer， P. （2020）. COVID-19 health anxiety. World Psychiatry， 19（3）， 307?308.

Tyrer， P.， Cooper， S.， Salkovskis， P.， Tyrer， H.， Crawford， M.， Byford， S.， ... Barrett， B. （2014）. Clinical and cost- effectiveness of cognitive behaviour therapy for health anxiety in medical patients： A multicentre randomised controlled trial. The Lancet， 383（9913）， 219?225.

van Teffelen， M.， Lobbestael， J.， Voncken， M.， Cougle， J.， amp; Peeters， F. （2021）. Interpretation bias modification for hostility： A randomized clinical trial. Journal of Consulting and Clinical Psychology， 89（5）， 421?434.

Visser， S.， amp; Bouman， T. K. （2001）. The treatment of hypochondriasis： Exposure plus response prevention vs cognitive therapy. Behaviour Research and Therapy， 39（4）， 423?442.

von Soest， T.， amp; Hagtvet， K. A. （2011）. Mediation analysis in a latent growth curve modeling framework. Structural Equation Modeling， 18（2）， 289?314.

Walker， J.， Vincent， N.， Furer， P.， Cox， B.， amp; Kevin Kjernisted. （1999）. Treatment preference in hypochondriasis. Journal of Behavior Therapy and Experimental Psychiatry， 30（4）， 251?258.

Weck， F.， Gropalis， M.， Hiller， W.， amp; Bleichhardt， G. （2015）. Effectiveness of cognitive-behavioral group therapy for patients with hypochondriasis （health anxiety）. Journal of Anxiety Disorders， 30， 1?7.

Weck， F.， Neng， J. M. B.， Richtberg， S.， Jakob， M.， amp; Stangier， U. （2015）. Cognitive therapy versus exposure therapy for hypochondriasis （health anxiety）： A randomized controlled trial. Journal of Consulting and Clinical Psychology， 83（4）， 665?676.

Weck， F.， Neng， J. M. B.， Schwind， J.， amp; H?fling， V. （2015）. Exposure therapy changes dysfunctional evaluations of somatic symptoms in patients with hypochondriasis （health anxiety）. A randomized controlled trial. Journal of Anxiety Disorders， 34， 1?7.

Williams， P. G. （2004）. The psychopathology of self-assessed health： A cognitive approach to health anxiety and hypochondriasis. Cognitive Therapy and Research， 28（5）， 629?644.

Woud， M. L.， Wittekind， C. E.， amp; Würtz， F. （2022）. Cognitive bias modification bei symptomen der posttraumatischen belastungsst?rung. Verhaltenstherapie， 32（3）， 139?147.

Yan， Z.， Witth?ft， M.， Bailer， J.， Diener， C.， amp; Mier， D. （2019）. Scary symptoms？ Functional magnetic resonance imaging evidence for symptom interpretation bias in pathological health anxiety. European Archives of Psychiatry and Clinical Neuroscience， 269（4）， 195?207.

Yang， R.， Cui， L.， Li， F.， Xiao， J.， Zhang， Q.， amp; Oei， T. P. S. （2017）. Effects of cognitive bias modification training via smartphones. Frontiers in Psychology， 8， 1370.

Yuan， Y.， amp; Zhang， Y. （2013）. Health anxiety of patients with chronic disease and its influencing factors. In Psychology and Enhancement of Innovation Capability – Proceedings of the 16th National Academic Congress of Psychology （pp. 2263?2264）. Nanjing， China： Chinese Psychological Society.

[袁勇貴， 張鈺群. （2013）. 慢性病患者的健康焦慮及其影響因素研究. 心理學與創新能力提升——第十六屆全國心理學學術會議論文集 （pp. 2263?2264）. 南京， 中國： 中國心理學會.]

Zhang， F.， Huang， C.， Mao， X.， Hou， T.， Sun， L.， Zhou， Y.， amp; Deng， G. （2021）. Efficacy of the Chinese version interpretation bias modification training in an unselected sample： A randomized trial. PLOS ONE， 16（7）， e0255224.

Zhang， Y.， Liu， R.， Li， G.， Mao， S.， amp; Yuan， Y. （2015）. The reliability and validity of a Chinese-version short health anxiety inventory： An investigation of university students. Neuropsychiatric Disease and Treatment， 11， 1739?1747.

Internet-based cognitive bias modification of interpretation in health anxiety：

A randomized controlled trial

DU Xiayu， LAI Lizu， SHI Congrong， GUO Zihan， HAN Jing， ZHANG Tao， REN Zhihong

（Key Laboratory of Adolescent Cyberpsychology and Behavior （CCNU）， Ministry of Education; School of Psychology，

Central China Normal University; Key Laboratory of Human Development and Mental

Health of Hubei Province， Wuhan 430079， China）

Abstract

Health anxiety， characterized by excessive fear and worry about one's health， is closely linked to interpretation bias as outlined in the comprehensive model of health anxiety. Research suggests that individuals with health anxiety often exhibit catastrophizing interpretations， and mitigating these interpretations can alleviate health anxiety symptoms. This study aims to examine the effects of internet-based cognitive bias modification of interpretation （iCBM-I） training on health anxiety， catastrophizing interpretation， anxiety， and depression symptoms. It also explores the longitudinal mediating mechanism of catastrophizing interpretation， providing insights for internet-based interventions for health anxiety.

In this randomized controlled trial， 228 participants with health anxiety （Short Health Anxiety Inventory [SHAI] scores ≥ 15） were randomly assigned to an iCBM-I group （100% positive feedback， N = 76）， an attention control group （50% positive and 50% negative feedback， N = 76）， or a wait-list control group （N = 76）. Participants in the iCBM-I and attention control groups completed internet-based tasks over 12 days （one session every three days， totaling four sessions）. Health anxiety， catastrophizing interpretation， anxiety， and depression were measured at pre-treatment， post-treatment， and a one-month follow-up to assess the immediate and long-term effects of the iCBM-I program.

The intent-to-treat principle was employed， and the generalized linear mixed model analyzed the intervention effects. Two-factor analysis of variance and hierarchical regression examined the moderating effects of demographic and baseline symptom variables. Additionally， the parallel development latent growth curve model analyzed the longitudinal mediating effect of catastrophizing interpretation.

Results indicated that the iCBM-I group with 100% positive feedback showed significant immediate effects on reducing catastrophizing interpretation， anxiety， and depression symptoms compared to the wait-list group. One-month follow-up results revealed significant effects on health anxiety， catastrophizing interpretation， anxiety， and depression. Marital status， baseline health anxiety symptoms， and catastrophizing interpretation moderated the iCBM-I intervention effects， with catastrophizing interpretation serving as a longitudinal mediator.

This study developed an iCBM-I self-help intervention mini-program for health anxiety， demonstrating its feasibility， efficacy， and psychological mechanisms. The findings provide empirical support for cognitive theories of emotion and offer a novel perspective for networked interventions in health anxiety. Future research should consider integrating “top-down” and “bottom-up” combined intervention therapies to further investigate their effects and mechanisms in health-anxious individuals.

Keywords" health anxiety， cognitive bias modification of interpretation， randomized controlled trials， latent growth curve model， longitudinal mediation