Effekt af smartphone-app på aktivitet

Formålet med undersøgelsen er at øge patienternes fysiske aktiviteter ved at bruge en dedikeret cellulær applikation, der vil tilskynde patienter til at følge deres lægeanbefaling på personlig basis.

Primært resultat Hos diabetespatienter: måling af en stigning i daglig fysisk aktivitet Hos kræftpatienter: forbedring af livskvalitet i sammenhæng med niveauet af fysisk aktivitet

Sekundære resultater Hos diabetespatienter: forbedret glykæmisk kontrol vurderet ved sekventielle blodprøver for HbA1c.

Patienterne vil udfylde livskvalitetsspørgeskemaer (SF36) ved rekruttering og efter 6 måneder. Efter 6 måneder vil patienterne også udfylde et spørgeskema om deres oplevelse af at bruge appen.

Hver rekrutteret patient vil have en Android-baseret smartphone. Hver patient vil give:

1. Godkendelse til at deltage i eksperimentet
2. Alder, køn, højde
3. Telefonnummer (til SMS)

Længde af intervention - mindst 6 måneder pr. patient. Hver patient vil blive tilfældigt opdelt i en af ​​to grupper, som vil specificere feedback i forhold til ham selv eller andre eller en ugentlig påmindelse om at træne.

Antal patienter:

1. Diabetes: 150 patienter, heraf 50 kontroller.
2. Kræft: 100 patienter, heraf 20 kontroller. Alle patienter vil modtage instruktion om vigtigheden af ​​fysisk aktivitet og en personlig anbefaling for aktivitetsniveau, n sessioner med aktivitet om ugen og tidsrum per session (dvs. mindst 2 timers gang om ugen fordelt på 3 gangsessioner om ugen) Patienter i behandlingsarmene vil modtage mindst n (antal rosende sessioner) beskeder om ugen med positiv feedback, hvis aktiviteten udføres, eller negativ feedback, hvis den ikke udføres. På den valgte dag hver uge modtager patienten en oversigt over træningen for hele ugen.

Feedback Mulig feedback

(BEMÆRK - disse er de faktiske feedback-beskeder, som deltagerne vil modtage, og er derfor i anden person):

1. Negativ feedback: "Du skal træne for at nå dine aktivitetsmål. Husk at træne i morgen."

2. Positiv feedback:

   1. I forhold til dig selv: "Dit træningsniveau er højere end i sidste uge. Fortsæt det gode arbejde"
   2. I forhold til andre: "Du træner mere end den gennemsnitlige person. Fortsæt det gode arbejde"
3. Kontrolarm: "Har du husket at træne?"

Tekniske krav

1. App - vil indsamle fysisk aktivitet og sende den til en server. Appen kører i baggrunden uden at skulle genstarte ved genstart.
2. Server - Samler fysisk aktivitet

Feedbackpolitikker Eksperimentet vil have to faser af feedback. Fase 1

Efterforskerne begynder uden data, så politikken på dette stadium er som følger:

1. Positiv feedback vil blive sendt hver dag, hvis brugeren har overgået 1/7 af den ugentlige aktivitet den dag.
2. Negativ feedback vil blive sendt hver 3. dag, hvis aktiviteten ikke har passeret 1/7 af aktiviteten.

Hver dag, med en sandsynlighed på 0,2, vil der blive truffet en tilfældig beslutning om feedback.

Denne fase varer cirka 4 uger. Fase 2 Ved hjælp af en indlæringsalgoritme (se nedenfor) vil computeren justere feedbacken og dagligt beslutte om feedbacken (positiv \ negativ \ ingen).

Politisk læring Efterforskerne vil starte med en simpel politiklæringsstrategi og senere bruge mere sofistikerede metoder, der vil have en stat-rum-repræsentation af brugeren.

Den indledende algoritme vil repræsentere hver bruger på hver dag ved hjælp af følgende attributter:

1. Demografi (alder og køn)
2. Forventet versus faktisk aktivitetsniveau i denne uge (forholdet mellem de to)
3. Sidste feedback givet (positiv \ negativ)
4. Ugedag (vi vil bruge ugelange cyklusser). Målet med algoritmen er at give feedback i dag for at tilskynde til aktivitet i morgen.

Når du træner algoritmen, vil computeren have en funktionsvektor bestående af ovenstående attributter og en matrix af handlinger (for dag t). Det output, der skal forudsiges, er om aktivitetsniveauet den følgende dag (t+1).

Der kan være to typer feedback afhængigt af den ugentlige og daglige adfærd:

Ugentligt mål Ikke nået Opnået Dagligt mål (på dag (t+1)) Ikke nået 1 1+alfa Opnået 1+alfa 1 (alfa>0) Algoritmen vil betale en højere straf, hvis meddelelsen f.eks. på en given dag tilskyndet til aktivitet, men det ugentlige mål blev ikke nået i forhold til, hvis det var.

For nemheds skyld vil den indledende indlæringsalgoritme være lineær, indtil der er indsamlet nok data. Det vil sige givet en matrix:

X = (demografi, forventet vs. faktisk aktivitet, sidste feedback, ugedag, handlinger) Og en vektor, der viser mængden af ​​aktivitet den følgende dag, vægtet som i tabellen ovenfor, angivet med Y, vil vi lære en vektor af vægte w således, at: X * w = Y.

I fase 2 af projektet vil computeren bruge andre læringsalgoritmer. Udforskning (tilfældig handling på en given dag) vil fortsætte gennem begge faser på samme niveau.