Udvikling af dynamiske teorier for adfærdsændringer

Usund adfærd bidrager til størstedelen af ​​kroniske sygdomme, som tegner sig for 86% af alle sundhedsudgifter i USA. På trods af megen forskning er udviklingen af ​​adfærdsændringsinterventioner, der er effektive, skalerbare og bæredygtige, stadig udfordrende. Nylige fremskridt inden for mobil sensing og smartphone-baserede teknologier har ført til en ny og lovende form for intervention, kaldet en "Just-in-time, adaptive intervention" (JITAI), som har potentialet til løbende at tilpasse sig skiftende kontekster og tilpasse til individuelle behov og muligheder for adfærdsændring. Selvom interventioner har vist sig at være mere effektive, når de er baseret på sund teori, mangler nuværende adfærdsteorier den tidsmæssige granularitet og multiskala dynamiske struktur, der er nødvendig for at udvikle effektive JITAI'er baseret på målinger af kompleks dynamisk adfærd og kontekster. Samtidig er der mangel på modelleringsrammer, der kan udtrykke dynamiske, tidsmæssigt flerskala teorier og repræsentere dynamiske, tidsmæssigt flerskaladata. Dette projekt vil adressere teori-udvikling, måling og modellering udfordringer og muligheder, der præsenteres af intensivt indsamlede longitudinelle data, med fokus på fysisk aktivitet og stillesiddende adfærd, og brede implikationer for anden adfærd.

For effektivitetens skyld bygger undersøgelsen på det NIH-finansierede årlange mikro-randomiserede forsøg (MRT) af HeartSteps (n=60), en adaptiv mHealth-intervention baseret på social-kognitiv teori (SCT) udviklet til at øge gang og mindske stillesiddende adfærd hos patienter med hjertekarsygdomme. Formålet med dette nye forslag er: 1) Forfine og udvikle dynamiske mål for teoretiske konstruktioner, der påvirker undersøgelsens måladfærd, 2) Forbedre HeartSteps med målene udviklet i Mål 1 og indsamle data fra yderligere to år lange HeartSteps-kohorter (siddende overvægt) /overvægtige voksne (n=60) og type 2-diabetespatienter (n=60), i alt n=180), 3) Udvikle en modelleringsramme til at operationalisere dynamiske og kontekstualiserede teorier om adfærd i en interventionsindstilling, og 4) Forbedre forudsigelse af SCT-resultater ved hjælp af stadig mere komplekse modeller. Det arbejde, der foreslås her, vil give nye digitale, datadrevne målinger af vigtige adfærdsteoretiske konstruktioner på den øjeblikkelige, daglige og ugentlige tidsskala, give nye værktøjer skræddersyet til specifikation af komplekse modeller for adfærdsdynamik, såvel som nye modelestimeringsværktøjer skræddersyet specifikt til de komplekse, longitudinelle, flertidsskala adfærdsmæssige og kontekstuelle data, der nu er tilgængelige ved hjælp af mHealth-teknologier. Endelig vil efterforskerne udnytte de indsamlede data og de foreslåede modelleringsværktøjer til at udvikle og teste forbedrede, dynamiske udvidelser af social kognitiv teori operationaliseret som fuldt kvantificerede, prædiktive dynamiske modeller. Samlet vil dette arbejde give det teoretiske grundlag og de nødvendige værktøjer til markant at øge effektiviteten af ​​fysisk aktivitetsbaserede mobile sundhedsinterventioner over flere tidsskalaer, herunder deres evne til effektivt at understøtte adfærdsændringer over længere tidsskalaer.