Dynaamisten teorioiden kehittäminen käyttäytymisen muutoksille

Epäterveellinen käyttäytyminen aiheuttaa suurimman osan kroonisista sairauksista, jotka muodostavat 86 prosenttia kaikista Yhdysvaltojen terveydenhuoltomenoista. Huolimatta lukuisista tutkimuksista tehokkaiden, skaalautuvien ja kestävien käyttäytymisen muutosinterventioiden kehittäminen on edelleen haastavaa. Äskettäiset edistysaskeleet mobiilitunnistuksessa ja älypuhelinpohjaisissa teknologioissa ovat johtaneet uuteen ja lupaavaan interventiomuotoon, nimeltään "Just-in-time, adaptive Interventio" (JITAI), jolla on potentiaalia jatkuvasti mukautua muuttuviin olosuhteisiin ja mukautua yksilölliset tarpeet ja mahdollisuudet käyttäytymisen muuttamiseen. Vaikka interventioiden on osoitettu olevan tehokkaampia, kun ne perustuvat terveeseen teoriaan, nykyisistä käyttäytymisteorioista puuttuu ajallinen rakeisuus ja monimuotoinen dynaaminen rakenne, jota tarvitaan tehokkaiden JITAI:iden kehittämiseen, jotka perustuvat monimutkaisten dynaamisten käyttäytymismallien ja kontekstien mittauksiin. Samanaikaisesti puuttuu mallinnuskehys, joka voisi ilmaista dynaamisia, ajallisesti monimittaisia ​​teorioita ja edustaa dynaamista, ajallisesti monimittaista dataa. Tämä projekti käsittelee teorian kehittämisen, mittaamisen ja mallintamisen haasteita ja mahdollisuuksia, joita intensiivisesti kerätty pitkittäinen data tarjoaa, keskittyen fyysiseen aktiivisuuteen ja istuvaan käyttäytymiseen sekä laajoihin vaikutuksiin muuhun käyttäytymiseen.

Tehokkuuden vuoksi tutkimus perustuu NIH:n rahoittamaan vuoden mittaiseen mikrosatunnaistettuun HeartSteps-tutkimukseen (n=60), sosiaaliseen kognitiiviseen teoriaan (SCT) perustuvaan adaptiiviseen mTerveys-interventioon, joka on kehitetty lisäämään kävelyä ja vähentämään istumista. potilailla, joilla on sydän- ja verisuonisairauksia. Tämän uuden ehdotuksen tavoitteet ovat: 1) Tarkenna ja kehitä dynaamisia mittareita teoreettisista rakenteista, jotka vaikuttavat tutkimuksen kohdekäyttäytymiseen, 2) Paranna HeartStepsiä tavoitteessa 1 kehitetyillä toimenpiteillä ja kerää tietoja kahdesta ylimääräisestä vuoden mittaisesta HeartSteps-kohortista (istumaton ylipaino). /lihavat aikuiset (n=60) ja tyypin 2 diabetespotilaat (n=60), yhteensä n=180), 3) Kehitä mallinnuskehys dynaamisten ja kontekstualisoitujen käyttäytymisteorioiden toteuttamiseksi interventioympäristössä ja 4) Paranna SCT-tulokset käyttämällä yhä monimutkaisempia malleja. Tässä ehdotettu työ tarjoaa uusia digitaalisia, tietoon perustuvia mittareita keskeisille käyttäytymisteoriarakenteille hetkellisen, päivittäisen ja viikoittaisen ajan mittakaavassa, tarjoaa uusia työkaluja, jotka on räätälöity monimutkaisten käyttäytymisdynamiikan mallien määrittämiseen, sekä uusia räätälöityjä mallien estimointityökaluja. erityisesti monimutkaisiin, pitkittäisiin, usean mittakaavan käyttäytymis- ja kontekstuaalisiin tietoihin, jotka ovat nyt saatavilla mHealth-tekniikoiden avulla. Lopuksi tutkijat hyödyntävät kerättyä dataa ja ehdotettuja mallinnustyökaluja kehittääkseen ja testatakseen sosiaalisen kognitiivisen teorian parannettuja, dynaamisia laajennuksia, jotka on toimitettu täysin kvantifioituina, ennustavina dynaamisina malleina. Yhdessä tämä työ tarjoaa teoreettiset perustat ja työkalut, joita tarvitaan fyysiseen toimintaan perustuvien mobiiliterveysinterventioiden tehokkuuden lisäämiseksi merkittävästi useilla aikaskaaloilla, mukaan lukien niiden kyky tukea tehokkaasti käyttäytymisen muutosta pidemmällä aikavälillä.