Effet de l'application Smartphone sur l'activité

L'objectif de l'étude est d'augmenter les activités physiques des patients en utilisant une application cellulaire dédiée qui encouragera les patients à adhérer personnellement à la recommandation de leur médecin.

Critère de jugement principal Chez les patients diabétiques : mesure d'une augmentation de l'activité physique quotidienne Chez les patients cancéreux : amélioration de la qualité de vie en corrélation avec le niveau d'activité physique

Critères de jugement secondaires Chez les patients diabétiques : contrôle glycémique amélioré évalué par des tests sanguins séquentiels pour l'HbA1c.

Les patients rempliront des questionnaires de qualité de vie (SF36) au recrutement et après 6 mois. Après 6 mois, les patients rempliront également un questionnaire sur leur expérience d'utilisation de l'application.

Chaque patient recruté aura un téléphone intelligent basé sur Android. Chaque patient fournira :

1. Approbation pour participer à l'expérience
2. Âge, sexe, taille
3. Numéro de téléphone (pour SMS)

Durée de l'intervention - au moins 6 mois par patient. Chaque patient sera réparti au hasard dans l'un des deux groupes, qui précisera un retour d'information relatif à lui-même ou aux autres ou un rappel hebdomadaire pour faire de l'exercice.

Nombre de malades :

1. Diabète : 150 patients dont 50 témoins.
2. Cancer : 100 patients dont 20 témoins. Tous les patients recevront des instructions sur l'importance de l'activité physique et une recommandation personnelle pour le niveau d'activité, n séances d'activité par semaine et la durée par séance (c'est-à-dire au moins 2 heures de marche par semaine divisées en 3 séances de marche par semaine) Les patients des bras de traitement recevront au moins n (nombre de séances recommandées) messages par semaine de commentaires positifs si l'activité est effectuée ou de commentaires négatifs si elle n'est pas effectuée. Au jour choisi chaque semaine, le patient recevra un résumé de l'exercice pour toute la semaine.

Commentaires Commentaires possibles

(REMARQUE - ce sont les messages de rétroaction réels que les participants recevront, et sont donc à la deuxième personne) :

1. Rétroaction négative : "Vous devez faire de l'exercice pour atteindre vos objectifs d'activité. N'oubliez pas de faire de l'exercice demain".

2. Commentaire positif:

   1. Relatif à soi : " Votre niveau d'exercice est plus élevé que la semaine dernière. Continuez votre bon travail"
   2. Par rapport aux autres : "Vous faites plus d'exercice que la moyenne. Continuez votre bon travail"
3. Bras de contrôle : "Vous êtes-vous souvenu de faire de l'exercice ?"

Les pré-requis techniques

1. App - collectera l'activité physique et l'enverra à un serveur. L'application s'exécutera en arrière-plan sans avoir besoin de redémarrer au redémarrage.
2. Serveur - Collecte l'activité physique

Politiques de rétroaction L'expérimentation comportera deux phases de rétroaction. La phase 1

Les enquêteurs commencent sans données, donc la politique à ce stade est la suivante :

1. Des commentaires positifs seront envoyés chaque jour si l'utilisateur a dépassé 1/7ème d'activité hebdomadaire ce jour-là.
2. Des commentaires négatifs seront envoyés tous les 3 jours, si l'activité n'a pas dépassé 1/7ème d'activité.

Chaque jour, avec une probabilité de 0,2, une décision aléatoire sur les commentaires sera prise.

Cette phase durera environ 4 semaines. Phase 2 À l'aide d'un algorithme d'apprentissage (voir ci-dessous), l'ordinateur ajustera le feedback et décidera quotidiennement du feedback (positif \ négatif \ aucun).

Apprentissage des politiques Les enquêteurs commenceront par une simple stratégie d'apprentissage des politiques, puis utiliseront des méthodes plus sophistiquées qui auront une représentation de l'espace d'état de l'utilisateur.

L'algorithme initial représentera chaque utilisateur à chaque jour en utilisant les attributs suivants :

1. Démographie (âge et sexe)
2. Niveau d'activité prévu par rapport au niveau d'activité réel cette semaine (ratio des deux)
3. Dernier feedback donné (positif \ négatif)
4. Jour de la semaine (nous utiliserons des cycles d'une semaine). L'objectif de l'algorithme est de donner un retour aujourd'hui afin d'encourager l'activité demain.

Lors de la formation de l'algorithme, l'ordinateur disposera d'un vecteur de caractéristiques comprenant les attributs ci-dessus et d'une matrice d'actions (pour le jour t). La sortie à prédire est de savoir si le niveau d'activité le jour suivant (t+1).

Il peut y avoir deux types de feedback selon les comportements hebdomadaires et quotidiens :

Objectif hebdomadaire Non atteint Atteint Objectif journalier (au jour (t+1)) Non atteint 1 1+alpha Atteint 1+alpha 1 (alpha>0) L'algorithme paiera une pénalité plus élevée si, par exemple, un jour donné le message encouragé l'activité, mais l'objectif hebdomadaire n'a pas été atteint par rapport à s'il l'était.

Pour plus de simplicité, l'algorithme d'apprentissage initial sera linéaire, jusqu'à ce que suffisamment de données soient collectées. C'est-à-dire, étant donné une matrice :

X = (démographie, activité attendue par rapport à l'activité réelle, dernier feedback, jour de la semaine, actions) Et un vecteur montrant la quantité d'activité le jour suivant, pondéré comme dans le tableau ci-dessus, noté Y, nous apprendrons un vecteur de poids w tels que : X * w = Y.

Dans la phase 2 du projet, l'ordinateur utilisera d'autres algorithmes d'apprentissage. L'exploration (action aléatoire à un jour donné) se poursuivra tout au long des deux phases au même niveau.