Entwicklung dynamischer Theorien für Verhaltensänderungen

Ungesundes Verhalten trägt zu den meisten chronischen Krankheiten bei, die 86 % aller Gesundheitsausgaben in den USA ausmachen. Trotz umfangreicher Forschung bleibt die Entwicklung wirksamer, skalierbarer und nachhaltiger Interventionen zur Verhaltensänderung eine Herausforderung. Jüngste Fortschritte in der mobilen Sensorik und Smartphone-basierten Technologien haben zu einer neuartigen und vielversprechenden Form der Intervention geführt, die als „just-in-time, adaptive intervention“ (JITAI) bezeichnet wird und das Potenzial hat, sich kontinuierlich an sich ändernde Kontexte anzupassen und zu personalisieren individuelle Bedürfnisse und Möglichkeiten zur Verhaltensänderung. Obwohl sich gezeigt hat, dass Interventionen effektiver sind, wenn sie auf einer fundierten Theorie basieren, fehlt es den aktuellen Verhaltenstheorien an der zeitlichen Granularität und der multiskaligen dynamischen Struktur, die für die Entwicklung effektiver JITAIs auf der Grundlage von Messungen komplexer dynamischer Verhaltensweisen und Kontexte erforderlich sind. Gleichzeitig mangelt es an Modellierungsrahmenwerken, die dynamische, zeitlich multiskalige Theorien ausdrücken und dynamische, zeitlich multiskalige Daten darstellen können. Dieses Projekt wird sich mit den Herausforderungen und Möglichkeiten der Theorieentwicklung, Messung und Modellierung befassen, die sich aus intensiv gesammelten Längsschnittdaten ergeben, mit Schwerpunkt auf körperlicher Aktivität und sitzendem Verhalten und weitreichenden Implikationen für andere Verhaltensweisen.

Aus Gründen der Effizienz baut die Studie auf der NIH-finanzierten einjährigen mikrorandomisierten Studie (MRT) von HeartSteps (n=60) auf, einer adaptiven mHealth-Intervention auf der Grundlage der sozial-kognitiven Theorie (SCT), die entwickelt wurde, um das Gehen zu verbessern und das sitzende Verhalten zu verringern bei Patienten mit Herz-Kreislauf-Erkrankungen. Die Ziele dieses neuen Vorschlags sind: 1) Verfeinerung und Entwicklung dynamischer Maßnahmen theoretischer Konstrukte, die das Zielverhalten der Studie beeinflussen, 2) Verbesserung von HeartSteps mit den in Ziel 1 entwickelten Maßnahmen und Erhebung von Daten aus zwei zusätzlichen einjährigen HeartSteps-Kohorten (sesshaftes Übergewicht /übergewichtige Erwachsene (n=60) und Patienten mit Typ-2-Diabetes (n=60), insgesamt n=180), 3) Entwicklung eines Modellierungsrahmens zur Operationalisierung dynamischer und kontextualisierter Verhaltenstheorien in einem Interventionssetting und 4) Verbesserung der Vorhersage von SCT-Ergebnisse unter Verwendung immer komplexerer Modelle. Die hier vorgeschlagene Arbeit wird neue digitale, datengesteuerte Maße für wichtige verhaltenstheoretische Konstrukte auf der momentanen, täglichen und wöchentlichen Zeitskala bereitstellen, neue Werkzeuge bereitstellen, die auf die Spezifikation komplexer Modelle der Verhaltensdynamik zugeschnitten sind, sowie neue maßgeschneiderte Werkzeuge zur Modellschätzung insbesondere auf die komplexen, longitudinalen, multizeitskalierten Verhaltens- und Kontextdaten, die jetzt mithilfe von mHealth-Technologien zugänglich sind. Schließlich werden die Forscher die gesammelten Daten und die vorgeschlagenen Modellierungswerkzeuge nutzen, um erweiterte, dynamische Erweiterungen der sozial-kognitiven Theorie zu entwickeln und zu testen, die als vollständig quantifizierte, prädiktive dynamische Modelle operationalisiert werden. Insgesamt wird diese Arbeit die theoretischen Grundlagen und Werkzeuge bereitstellen, die erforderlich sind, um die Wirksamkeit von auf körperlicher Aktivität basierenden mobilen Gesundheitsinterventionen über mehrere Zeiträume hinweg signifikant zu steigern, einschließlich ihrer Fähigkeit, Verhaltensänderungen über längere Zeiträume wirksam zu unterstützen.