Eine Bewertung der Auswirkung einer App-basierten Übungsverordnung mit RL auf Zufriedenheit und Trainingsintensität (PERFORM-RL)

Studienüberblick Bei der PERFORM-RL-Studie handelte es sich um eine 12-wöchige randomisierte Crossover-Studie, die durchgeführt wurde, um die Auswirkungen einer App-basierten personalisierten Übungsvorschrift auf die Benutzerzufriedenheit und die Trainingsintensität zu bewerten, wobei Reinforcement Learning (RL) als Schlüsselmechanismus für die Anpassung zum Einsatz kam. In dieser Studie sollte ermittelt werden, ob RL-generierte Trainingseinheiten die Benutzerzufriedenheit verbessern und die Trainingsintensität im Vergleich zu nicht personalisierten, generischen Sitzungen erhöhen können. Es wird erwartet, dass die Ergebnisse zum wachsenden Bereich der digitalen Gesundheitsinterventionen beitragen, insbesondere im Bereich skalierbarer, App-basierter Trainingsprogramme, die darauf ausgelegt sind, die Einbindung der Benutzer und die langfristige Einhaltung zu verbessern.

Studienziele Das Hauptziel der Studie bestand darin, die Benutzerzufriedenheit zwischen RL-generierten Übungssitzungen und generischen Sitzungen zu vergleichen. Die Hypothese war, dass RL-gesteuerte Personalisierung zu einer höheren Benutzerzufriedenheit führen würde, gemessen anhand der Physical Activity Enjoyment Scale (PACES-8). Das sekundäre Ziel bestand darin, die Wirkung von RL auf die Trainingsintensität zu bewerten, gemessen anhand der Borg Rating of Perceived Exertion (RPE)-Skala. Es wurde die Hypothese aufgestellt, dass die Teilnehmer im RL-Zustand aufgrund der maßgeschneiderten Art der Sitzungen, die auf ihre Vorlieben und ihr Fitnessniveau abgestimmt waren, mit einer höheren Intensität trainieren würden.

Studiendesign

Es handelte sich um eine randomisierte, vom Gutachter verblindete Crossover-Studie. Jeder Teilnehmer erfüllte während der 12-wöchigen Studie zwei verschiedene Bedingungen:

Interventionsbedingung: Die Übungssitzungen wurden mithilfe eines Reinforcement-Learning-Modells personalisiert, das die Schwierigkeit und den Inhalt der Sitzungen basierend auf den Präferenzen der Teilnehmer, der bisherigen Leistung und dem Feedback anpasste.

Kontrollbedingung: Die Teilnehmer absolvierten generische, nicht personalisierte Übungseinheiten. Diese Sitzungen waren vorab konzipiert und wurden nicht an das Feedback oder die Vorlieben des Benutzers angepasst.

Die Teilnehmer wechselten wöchentlich zwischen den Interventions- und Kontrollbedingungen, was bedeutete, dass sie jede Woche einen anderen Ansatz bei der Verschreibung von Übungen erlebten. Durch dieses Design wurde sichergestellt, dass jeder Teilnehmer als seine eigene Kontrolle fungierte, wodurch die Variabilität verringert und die Robustheit der Ergebnisse erhöht wurde. Alle Trainingseinheiten wurden über die von Samsung entwickelte i80 BPM-App durchgeführt, die auch die Datenerfassung erleichterte.

Teilnehmer: Die Teilnehmer wurden über Mundpropaganda und soziale Medien aus Dublin, Irland und Umgebung rekrutiert. Insgesamt 62 Teilnehmer (27 Männer, 42 Frauen; Durchschnittsalter 42 Jahre) absolvierten mindestens eine Trainingseinheit, wobei während des 12-wöchigen Testzeitraums insgesamt 559 Sitzungen absolviert wurden. Die Teilnehmer waren gesunde, freizeitaktive Erwachsene im Alter von 18 bis 65 Jahren. Ihre Eignung wurde anhand des „Gesundheitsscreening-Fragebogens zur Übungsvorbereitung für Sportprofis“ überprüft. Zu den Ausschlusskriterien gehörten eine körperliche Behinderung, eine schwere kognitive Beeinträchtigung oder die Unfähigkeit, auf Englisch zu lesen und zu schreiben.

Interventionen Reinforcement Learning (RL) Intervention

Das von der i80 BPM-App verwendete RL-Modell personalisierte Trainingssitzungen basierend auf Benutzerpräferenzen, wahrgenommener Anstrengung und Feedback aus früheren Sitzungen. Das RL-Framework nutzte einen Entscheidungsagenten, der Übungen aus einer bereits vorhandenen Datenbank basierend auf dem Fitnessniveau, den Zielen und dem Echtzeit-Feedback des Benutzers auswählte. Die Belohnungsfunktion des Modells zielte darauf ab, die Benutzerzufriedenheit und Sitzungseffektivität zu maximieren, indem der Schwierigkeitsgrad und der Inhalt der Übung an die sich ändernden Bedürfnisse des Benutzers angepasst wurden.

Wenn ein Teilnehmer beispielsweise in einer früheren Sitzung über hohe Zufriedenheit und mäßige Intensität berichtete, würde das RL-Modell ähnliche oder etwas anspruchsvollere Übungen für die nächste Sitzung vorschlagen. Das RL-System lernte kontinuierlich aus Benutzerinteraktionen und passte die Übungsvorgaben an, um ein optimales Engagement und eine optimale Wirksamkeit zu gewährleisten.

Kontrollbedingung

In der Kontrollbedingung erhielten die Teilnehmer generische Übungseinheiten, die nicht personalisiert oder auf der Grundlage von Benutzerfeedback angepasst wurden. Diese Sitzungen umfassten eine feste Auswahl an Übungen und entwickelten sich im Laufe der Zeit nicht weiter, sodass sie eine Grundlage bildeten, mit der die personalisierte RL-Intervention verglichen werden konnte.

Ergebnismaße Primäres Ergebnis: Benutzerzufriedenheit

Die Benutzerzufriedenheit wurde nach jeder Sitzung anhand einer verkürzten 8-Punkte-Version der Physical Activity Enjoyment Scale (PACES-8) bewertet. Diese validierte Skala misst, inwieweit die Teilnehmer ihre Trainingseinheiten genossen haben. Die Werte reichen von 1 (geringe Zufriedenheit) bis 5 (hohe Zufriedenheit), wobei höhere Werte auf größere Freude und allgemeine Zufriedenheit mit dem Trainingserlebnis hinweisen.

Sekundäres Ergebnis: Trainingsintensität

Die Trainingsintensität wurde mithilfe der Borg Rating of Perceived Exertion (RPE)-Skala gemessen, die von 1 (sehr leicht) bis 10 (maximale Anstrengung) reicht. Die Teilnehmer wurden nach jeder Sitzung über die App aufgefordert, ihre wahrgenommene Anstrengung zu bewerten, um eine Echtzeiterfassung ihrer Erfahrungen zu gewährleisten. Herzfrequenzdaten, die mit einer Samsung Galaxy Fit 2-Smartwatch erfasst wurden, dienten als zusätzliches Maß für die Intensität und validierten die subjektiven RPE-Werte.

Zusätzliches Ergebnis: Herzfrequenz

Die Herzfrequenz wurde während jeder Sitzung kontinuierlich mit der Samsung Galaxy Fit 2 Smartwatch überwacht. Die Herzfrequenzdaten wurden automatisch an die i80 BPM-App weitergeleitet und zur Verfolgung physiologischer Reaktionen auf die Trainingseinheiten verwendet.

Datenerfassung und -verwaltung Die Daten wurden über die i80 BPM-App erfasst, die die Benutzerzufriedenheit, die Trainingsintensität, die Herzfrequenz und die Dauer jeder Trainingseinheit aufzeichnete. Um die Vertraulichkeit der Teilnehmer zu gewährleisten, wurden alle Daten vor der Analyse anonymisiert. Den Teilnehmern wurde ein eindeutiger Identifikationscode zugewiesen und alle sensiblen Dokumente wurden sicher aufbewahrt, sodass nur autorisiertem Personal Zugriff gewährt wurde.

Stichprobengrößen- und Leistungsberechnungen Basierend auf einer früheren Machbarkeitsstudie wurde die Stichprobengröße auf mindestens 40 Teilnehmer geschätzt, um einen mittleren Unterschied von 8 Punkten auf der PACES-8-Skala mit 80 % Trennschärfe festzustellen. Insgesamt wurden 69 Teilnehmer rekrutiert, um potenzielle Schulabbrecher zu berücksichtigen, und 62 Teilnehmer absolvierten mindestens eine Übungseinheit. Die endgültige Probengröße lieferte ausreichend Aussagekraft, um Unterschiede zwischen den RL- und Kontrollbedingungen festzustellen.

Zur Analyse der primären und sekundären Ergebnisse wurden verallgemeinerte Schätzungsgleichungen (GEE) für die statistische Analyse verwendet. GEE-Modelle wurden angewendet, um die Korrelation wiederholter Messungen innerhalb von Probanden zu berücksichtigen. Die abhängigen Variablen in den Modellen waren Benutzerzufriedenheit (PACES-8-Scores) und wahrgenommene Anstrengung (Borg-Skala-Scores), während die unabhängigen Variablen Kondition (RL vs. Kontrolle) und Versuchswoche waren. Zu den Kovariaten gehörten Alter, Geschlecht und körperliche Aktivität zu Beginn, wobei die Teilnehmer-ID als Subjekteffekt berücksichtigt wurde.