Effetto dell'app per smartphone sull'attività

Lo scopo dello studio è aumentare l'attività fisica dei pazienti utilizzando un'applicazione cellulare dedicata che incoraggerà i pazienti ad aderire alle raccomandazioni del proprio medico su base personale.

Outcome primario Nei pazienti diabetici: misurazione dell'aumento dell'attività fisica quotidiana Nei pazienti oncologici: miglioramento della qualità della vita in correlazione con il livello di attività fisica

Risultati secondari Nei pazienti diabetici: miglioramento del controllo glicemico valutato mediante esami del sangue sequenziali per HbA1c.

I pazienti compileranno questionari sulla qualità della vita (SF36) al reclutamento e dopo 6 mesi. Dopo 6 mesi i pazienti compileranno anche un questionario sulla loro esperienza di utilizzo dell'app.

Ogni paziente reclutato avrà uno smartphone basato su Android. Ogni paziente fornirà:

1. Approvazione per partecipare all'esperimento
2. Età, sesso, altezza
3. Numero di telefono (per SMS)

Durata dell'intervento - almeno 6 mesi per paziente. Ogni paziente verrà assegnato in modo casuale in uno dei due gruppi, che specificherà un feedback relativo a se stesso o ad altri o un promemoria settimanale per l'esercizio.

Numero di pazienti:

1. Diabete: 150 pazienti, di cui 50 controlli.
2. Cancro: 100 pazienti, di cui 20 controlli. Tutti i pazienti riceveranno istruzioni sull'importanza dell'attività fisica e una raccomandazione personale per livello di attività, n sessioni di attività a settimana e intervallo di tempo per sessione (ovvero, almeno 2 ore di camminata a settimana suddivise in 3 sessioni di camminata a settimana) I pazienti nei bracci di trattamento riceveranno almeno n (numero di sessioni raccomandate) messaggi a settimana di feedback positivo se l'attività è stata eseguita o feedback negativo se non è stata eseguita. Al giorno prescelto ogni settimana il paziente riceverà un riepilogo dell'esercizio per tutta la settimana.

Feedback Possibili feedback

(NOTA - questi sono gli effettivi messaggi di feedback che i partecipanti riceveranno, e sono quindi in seconda persona):

1. Feedback negativo: "Devi allenarti per raggiungere i tuoi obiettivi di attività. Per favore, ricordati di allenarti domani".

2. Riscontro positivo:

   1. Relativo a se stesso: "Il tuo livello di esercizio è più alto rispetto alla scorsa settimana. Continua così"
   2. Rispetto agli altri: "Ti stai allenando più della persona media. Continua così"
3. Braccio di controllo: "Ti sei ricordato di fare esercizio?"

Requisiti tecnici

1. App: raccoglierà l'attività fisica e la invierà a un server. L'app verrà eseguita in background senza bisogno di riavviarsi al riavvio.
2. Server: raccoglie l'attività fisica

Criteri di feedback L'esperimento avrà due fasi di feedback. Fase 1

Gli investigatori iniziano senza dati, quindi la politica in questa fase è la seguente:

1. Un feedback positivo verrà inviato ogni giorno se l'utente ha superato 1/7 dell'attività settimanale quel giorno.
2. Il feedback negativo verrà inviato ogni 3 giorni, se l'attività non ha superato 1/7 dell'attività.

Ogni giorno, con una probabilità di 0,2, verrà presa una decisione casuale sul feedback.

Questa fase durerà circa 4 settimane. Fase 2 Utilizzando un algoritmo di apprendimento (vedi sotto) il computer regolerà il feedback e deciderà giornalmente sul feedback (positivo \ negativo \ nessuno).

Apprendimento delle politiche Gli investigatori inizieranno con una semplice strategia di apprendimento delle politiche e successivamente utilizzeranno metodi più sofisticati che avranno una rappresentazione dello spazio degli stati dell'utente.

L'algoritmo iniziale rappresenterà ciascun utente ogni giorno utilizzando i seguenti attributi:

1. Dati demografici (età e sesso)
2. Livello di attività previsto rispetto a quello effettivo di questa settimana (rapporto tra i due)
3. Ultimo feedback dato (positivo \ negativo)
4. Giorno della settimana (useremo cicli settimanali). L'obiettivo dell'algoritmo è fornire un feedback oggi in modo da incoraggiare l'attività domani.

Durante l'addestramento dell'algoritmo, il computer avrà un vettore di caratteristiche comprendente gli attributi di cui sopra e una matrice di azioni (per il giorno t). L'output da prevedere è se il livello di attività del giorno successivo (t+1).

Ci possono essere due tipi di feedback a seconda dei comportamenti settimanali e giornalieri:

Obiettivo settimanale Non raggiunto Raggiunto Obiettivo giornaliero (nel giorno (t+1)) Non raggiunto 1 1+alpha Raggiunto 1+alpha 1 (alpha>0) L'algoritmo pagherà una penalità maggiore se, ad esempio, in un determinato giorno il messaggio attività incoraggiata, ma l'obiettivo settimanale non è stato raggiunto rispetto a se lo fosse stato.

Per semplicità, l'algoritmo di apprendimento iniziale sarà lineare, finché non vengono raccolti dati sufficienti. Cioè, data una matrice:

X = (dati demografici, attività prevista rispetto a quella effettiva, ultimo feedback, giorno della settimana, azioni) E un vettore che mostra la quantità di attività del giorno successivo, ponderato come nella tabella sopra, indicato con Y, impareremo un vettore di pesi w tali che: X * w = Y.

Nella fase 2 del progetto il computer utilizzerà altri algoritmi di apprendimento. L'esplorazione (azione casuale in un dato giorno) continuerà durante entrambe le fasi allo stesso livello.