Développer des théories dynamiques pour le changement de comportement

Les comportements malsains contribuent à la majorité des maladies chroniques, qui représentent 86 % de toutes les dépenses de santé aux États-Unis. Malgré de nombreuses recherches, le développement d'interventions de changement de comportement efficaces, évolutives et durables reste difficile. Les progrès récents des technologies de détection mobile et des smartphones ont conduit à une forme d'intervention nouvelle et prometteuse, appelée « intervention adaptative juste à temps » (JITAI), qui a le potentiel de s'adapter en permanence à des contextes changeants et de se personnaliser pour les besoins individuels et les opportunités de changement de comportement. Bien que les interventions se soient avérées plus efficaces lorsqu'elles sont basées sur une théorie solide, les théories comportementales actuelles manquent de la granularité temporelle et de la structure dynamique multi-échelles nécessaires pour développer des JITAI efficaces basés sur des mesures de comportements et de contextes dynamiques complexes. Simultanément, il y a un manque de cadres de modélisation capables d'exprimer des théories dynamiques et temporellement multi-échelles et de représenter des données dynamiques et temporellement multi-échelles. Ce projet abordera les défis et les opportunités de développement théorique, de mesure et de modélisation présentés par des données longitudinales collectées de manière intensive, en mettant l'accent sur l'activité physique et le comportement sédentaire, et les implications générales pour d'autres comportements.

Pour plus d'efficacité, l'étude s'appuie sur l'essai micro-randomisé (MRT) d'un an financé par les NIH de HeartSteps (n = 60), une intervention adaptative de santé mobile basée sur la théorie socio-cognitive (SCT) développée pour augmenter la marche et réduire le comportement sédentaire chez les patients atteints de maladies cardiovasculaires. Les objectifs de cette nouvelle proposition sont les suivants : 1) Affiner et développer des mesures dynamiques de constructions théoriques qui influencent les comportements cibles de l'étude, 2) Améliorer HeartSteps avec les mesures développées dans l'objectif 1 et collecter des données à partir de deux cohortes HeartSteps supplémentaires d'un an (surpoids sédentaire /adultes obèses (n = 60) et patients diabétiques de type 2 (n = 60), total n = 180), 3) Développer un cadre de modélisation pour opérationnaliser les théories dynamiques et contextualisées du comportement dans un cadre d'intervention, et 4) Améliorer la prédiction de Résultats SCT utilisant des modèles de plus en plus complexes. Le travail proposé ici fournira de nouvelles mesures numériques, basées sur les données, des constructions clés de la théorie du comportement à des échelles de temps momentanées, quotidiennes et hebdomadaires, fournira de nouveaux outils adaptés à la spécification de modèles complexes de dynamique comportementale, ainsi que de nouveaux outils d'estimation de modèles adaptés spécifiquement aux données comportementales et contextuelles complexes, longitudinales et à plusieurs échelles de temps qui sont désormais accessibles à l'aide des technologies mHealth. Enfin, les chercheurs tireront parti des données collectées et des outils de modélisation proposés pour développer et tester des extensions dynamiques améliorées de la théorie cognitive sociale opérationnalisées sous forme de modèles dynamiques prédictifs entièrement quantifiés. Collectivement, ce travail fournira les fondements théoriques et les outils nécessaires pour augmenter de manière significative l'efficacité des interventions de santé mobiles basées sur l'activité physique sur plusieurs échelles de temps, y compris leur capacité à soutenir efficacement le changement de comportement sur des échelles de temps plus longues.