스마트폰 앱이 활동에 미치는 영향

이 연구의 목표는 환자가 개인적으로 의사의 권고를 준수하도록 권장하는 전용 셀룰러 애플리케이션을 사용하여 환자의 신체 활동을 증가시키는 것입니다.

1차 결과 당뇨병 환자: 일일 신체 활동량 증가 측정 암 환자: 신체 활동 수준과 상관관계가 있는 삶의 질 향상

2차 결과 당뇨병 환자: HbA1c에 대한 순차적 혈액 검사로 평가한 혈당 조절 개선.

환자는 모집 시 및 6개월 후에 삶의 질 설문지(SF36)를 채울 것입니다. 6개월 후 환자들은 앱 사용 경험에 대한 설문지를 작성할 것입니다.

모집된 각 환자는 Android 기반 스마트폰을 갖게 됩니다. 각 환자는 다음을 제공합니다.

1. 실험 참여 승인
2. 나이, 성별, 키
3. 전화번호(SMS용)

개입 기간 - 환자당 최소 6개월. 각 환자는 무작위로 두 그룹 중 하나로 배정되며, 자신 또는 타인에 대한 피드백 또는 매주 운동 알림을 지정합니다.

환자 수:

1. 당뇨병: 150명의 환자 중 50명은 대조군입니다.
2. 암: 100명의 환자, 그 중 20명은 대조군입니다. 모든 환자는 신체 활동의 중요성과 활동 수준, 주당 n 세션의 활동 및 세션당 시간 범위(즉, 주당 최소 2시간의 걷기를 주당 3개의 걷기 세션으로 나눈 것)에 대한 개인 권장 사항에 대한 지침을 받게 됩니다. 치료 부문의 환자는 활동이 수행된 경우 긍정적인 피드백 또는 수행되지 않은 경우 부정적인 피드백의 주당 최소 n(추천 세션 수) 메시지를 받게 됩니다. 매주 선택한 요일에 환자는 일주일 내내 운동 요약을 받게 됩니다.

피드백 가능한 피드백

(참고 - 이것은 참가자가 받게 될 실제 피드백 메시지이므로 2인칭입니다):

1. 부정적인 피드백: "활동 목표를 달성하려면 운동을 해야 합니다. 내일 운동하는 거 기억해."

2. 긍정적 인 피드백:

   1. 자신에 비해: "운동 수준이 지난주보다 높습니다. 좋은 일을 계속하십시오"
   2. 타인에 비해: "당신은 보통 사람보다 더 많이 운동하고 있습니다. 좋은 일을 계속하십시오"
3. 컨트롤 암: "운동하는 거 기억나?"

기술 요구 사항

1. 앱 - 신체 활동을 수집하여 서버로 보냅니다. 재부팅 시 다시 시작할 필요 없이 앱이 백그라운드에서 실행됩니다.
2. 서버 - 신체 활동 수집

피드백 정책 실험에는 두 단계의 피드백이 있습니다. 1단계

조사자는 데이터 없이 시작하므로 이 단계의 정책은 다음과 같습니다.

1. 사용자가 그날 주간 활동의 1/7을 초과하면 매일 긍정적인 피드백이 전송됩니다.
2. 활동이 활동의 ​​1/7을 경과하지 않은 경우 3일마다 부정적인 피드백이 전송됩니다.

매일 0.2의 확률로 피드백에 대한 무작위 결정이 내려집니다.

이 단계는 약 4주간 지속됩니다. 2단계 학습 알고리즘(아래 참조)을 사용하여 컴퓨터는 피드백을 조정하고 매일 피드백을 결정합니다(긍정적 \ 부정적 \ 없음).

정책 학습 조사자는 간단한 정책 학습 전략으로 시작하고 나중에 사용자의 상태 공간 표현이 있는 보다 정교한 방법을 사용합니다.

초기 알고리즘은 다음 속성을 사용하여 매일 각 사용자를 나타냅니다.

1. 인구통계(연령 및 성별)
2. 이번 주 예상 활동 수준과 실제 활동 수준(둘의 비율)
3. 마지막 피드백 제공(긍정적 ​​\ 부정적)
4. 요일(일주일 주기를 사용함). 알고리즘의 목표는 내일 활동을 장려하기 위해 오늘 피드백을 제공하는 것입니다.

알고리즘을 훈련할 때 컴퓨터는 위의 속성으로 구성된 기능 벡터와 작업 매트릭스(t일에 대한)를 갖게 됩니다. 예측할 출력은 다음 날(t+1)의 활동 수준인지 여부입니다.

주간 및 일일 행동에 따라 두 가지 유형의 피드백이 있을 수 있습니다.

주간 목표 미달성 일일 목표((t+1)일) 미달성 1 1+alpha 달성 1+alpha 1 (alpha>0) 활동을 장려했지만 주간 목표는 달성했을 때와 비교하여 달성하지 못했습니다.

단순화를 위해 초기 학습 알고리즘은 충분한 데이터가 수집될 때까지 선형입니다. 즉, 다음과 같은 행렬이 주어집니다.

X = (인구 통계, 예상 vs. 실제 활동, 마지막 피드백, 요일, 행동) 그리고 다음 날의 활동량을 보여주는 벡터, 위 표에서와 같이 가중치 적용, Y로 표시, 우리는 벡터를 학습할 것입니다. X * w = Y를 만족하는 가중치 w.

프로젝트의 2단계에서 컴퓨터는 다른 학습 알고리즘을 사용합니다. 탐색(특정 날짜에 임의의 작업)은 동일한 수준에서 두 단계에 걸쳐 계속됩니다.