スマホアプリが活動に及ぼす影響

この研究の目的は、患者が個人的に医師の推奨に従うよう促す専用の携帯アプリケーションを使用することで、患者の身体活動を増やすことです。

主要結果 糖尿病患者の場合: 日常の身体活動の増加を測定する がん患者の場合: 身体活動レベルと相関関係にある生活の質の改善

副次的転帰 糖尿病患者の場合: HbA1c の連続血液検査によって評価される血糖コントロールの改善。

患者は募集時および6か月後にQOLアンケート（SF36）に記入します。 6 か月後、患者はアプリの使用経験についてのアンケートにも回答します。

採用された各患者は Android ベースのスマートフォンを所有します。 各患者は以下を提供します。

1. 実験への参加の承認
2. 年齢、性別、身長
3. 電話番号（SMS用）

介入期間 - 患者あたり少なくとも 6 か月。 各患者は 2 つのグループのうちの 1 つにランダムに割り当てられ、自分自身または他人に対するフィードバック、または毎週の運動のリマインダーが指定されます。

患者数:

1. 糖尿病: 患者 150 名、うち 50 名が対照。
2. がん: 患者 100 名、そのうち 20 名が対照。 すべての患者は、身体活動の重要性と、活動レベル、週にn回の活動セッション、およびセッションごとの期間（つまり、週に少なくとも2時間のウォーキングを週に3回のウォーキングセッションに分割する）の重要性に関する個人的な推奨事項についての指導を受けます。治療群の患者は、活動が実施された場合には正のフィードバック、実施されなかった場合には負のフィードバックの週あたり少なくとも n (推奨セッション数) のメッセージを受け取ります。 毎週選択した日に、患者はその週全体の運動の概要を受け取ります。

フィードバック 可能なフィードバック

(注 - これらは参加者が受け取る実際のフィードバック メッセージであるため、二人称になっています):

1. 否定的なフィードバック: 「活動目標を達成するには運動する必要があります。 明日は忘れずに運動してください。」

2. 正のフィードバック：

   1. 自分自身との比較: 「あなたの運動レベルは先週よりも上がっています。 これからも頑張ってね」
   2. 他人と比べて：「あなたは平均的な人よりも運動量が多いですね。 これからも頑張ってね」
3. コントロールアーム: 「運動するのを覚えていますか?」

技術的要件

1. アプリ - 身体活動を収集し、サーバーに送信します。 アプリはバックグラウンドで実行され、再起動時に再起動する必要はありません。
2. サーバー - 身体活動を収集します

フィードバック ポリシー 実験には 2 段階のフィードバックがあります。 フェーズ 1

調査はデータがない状態から開始されるため、この段階での方針は次のとおりです。

1. ユーザーがその日の週間アクティビティの 1/7 を超えた場合、ポジティブなフィードバックが毎日送信されます。
2. アクティビティが 1/7 を超えていない場合、否定的なフィードバックが 3 日ごとに送信されます。

毎日、0.2 の確率でフィードバックがランダムに決定されます。

このフェーズは約 4 週間続きます。 フェーズ 2 学習アルゴリズム (下記を参照) を使用して、コンピューターはフィードバックを調整し、毎日のフィードバック (ポジティブ、ネガティブ、なし) を決定します。

ポリシー学習 調査者は、単純なポリシー学習戦略から開始し、その後、ユーザーの状態空間表現を使用する、より洗練された方法を使用します。

初期アルゴリズムは、次の属性を使用して毎日の各ユーザーを表します。

1. 人口統計（年齢と性別）
2. 今週の予想される活動レベルと実際の活動レベル (両者の比)
3. 最後に与えられたフィードバック (肯定的または否定的)
4. 曜日 (1 週間のサイクルを使用します)。 このアルゴリズムの目標は、明日の活動を促進するために今日フィードバックを提供することです。

アルゴリズムをトレーニングするとき、コンピューターは上記の属性で構成される特徴ベクトルとアクションの行列 (t 日の) を持ちます。 予測される出力は、翌日 (t+1) の活動レベルかどうかです。

毎週および毎日の行動に応じて、2 種類のフィードバックがあります。

週次目標 未達成 達成 毎日の目標 (日 (t+1)) 未達成 1 1+アルファ 達成 1+アルファ 1 (アルファ>0) たとえば、特定の日にメッセージが送信された場合、アルゴリズムはより高いペナルティを支払います。活動を奨励しましたが、毎週の目標は達成された場合に比べて達成されませんでした。

簡単にするために、十分なデータが収集されるまで、初期学習アルゴリズムは線形になります。 つまり、行列が与えられたとします。

X = (人口統計、予想されるアクティビティと実際のアクティビティ、最後のフィードバック、曜日、アクション) そして、上の表のように重み付けされた翌日のアクティビティの量を示すベクトル (Y で示されます) を学習します。 X * w = Y となるような重み w の計算。

プロジェクトのフェーズ 2 では、コンピューターは他の学習アルゴリズムを使用します。 探索 (特定の日のランダムなアクション) は、両方のフェーズを通じて同じレベルで継続されます。