Een evaluatie van het effect van app-gebaseerd trainingsvoorschrift met behulp van RL op de tevredenheid en trainingsintensiteit (PERFORM-RL)

Onderzoeksoverzicht Het PERFORM-RL-onderzoek was een 12 weken durend gerandomiseerd cross-overonderzoek dat werd uitgevoerd om de impact van app-gebaseerd gepersonaliseerd trainingsvoorschrift op de gebruikerstevredenheid en trainingsintensiteit te evalueren, waarbij gebruik werd gemaakt van versterkend leren (RL) als het belangrijkste mechanisme voor maatwerk. In dit onderzoek werd geprobeerd vast te stellen of door RL gegenereerde oefensessies de gebruikerstevredenheid konden verbeteren en de trainingsintensiteit konden verhogen in vergelijking met niet-gepersonaliseerde, generieke sessies. De bevindingen zullen naar verwachting bijdragen aan het groeiende veld van digitale gezondheidszorginterventies, met name op het gebied van schaalbare, app-gebaseerde oefenprogramma's die zijn ontworpen om de betrokkenheid van gebruikers en de therapietrouw op de lange termijn te vergroten.

Studiedoelstellingen Het primaire doel van het onderzoek was het vergelijken van de gebruikerstevredenheid tussen door RL gegenereerde oefensessies en generieke sessies. De hypothese was dat RL-gestuurde personalisatie zou resulteren in een hogere gebruikerstevredenheid, zoals gemeten door de Physical Activity Enjoyment Scale (PACES-8). Het secundaire doel was om het effect van RL op de trainingsintensiteit te evalueren, zoals gemeten aan de hand van de Borg Rating of Perceived Exertion (RPE)-schaal. Er werd verondersteld dat deelnemers in de RL-conditie met een hogere intensiteit zouden trainen vanwege het op maat gemaakte karakter van de sessies, die aansluit bij hun voorkeuren en fitnessniveaus.

Studieontwerp

Dit was een gerandomiseerde, beoordelaarsgeblindeerde cross-over studie. Elke deelnemer voltooide twee verschillende voorwaarden tijdens het 12 weken durende onderzoek:

Interventievoorwaarde: Oefensessies werden gepersonaliseerd met behulp van een versterkend leermodel dat de moeilijkheidsgraad en inhoud van de sessie aanpaste op basis van de voorkeuren van de deelnemers, prestaties uit het verleden en feedback.

Controleconditie: deelnemers voltooiden generieke, niet-gepersonaliseerde oefensessies. Deze sessies waren vooraf ontworpen en werden niet aangepast op basis van de feedback of voorkeuren van de gebruiker.

Deelnemers wisselden wekelijks af tussen de interventie- en controleomstandigheden, wat betekent dat ze elke week een andere benadering van het voorschrijven van oefeningen ervoeren. Dit ontwerp zorgde ervoor dat elke deelnemer als zijn eigen controle fungeerde, waardoor de variabiliteit werd verminderd en de robuustheid van de bevindingen werd vergroot. Alle oefensessies werden gegeven via de i80 BPM-app, ontwikkeld door Samsung, die ook het verzamelen van gegevens mogelijk maakte.

Deelnemers Deelnemers werden via mond-tot-mondreclame en sociale media gerekruteerd uit Dublin, Ierland en de omliggende gebieden. In totaal voltooiden 62 deelnemers (27 mannen, 42 vrouwen; gemiddelde leeftijd 42 jaar) ten minste één oefensessie, waarbij in totaal 559 sessies werden voltooid tijdens de proefperiode van 12 weken. Deelnemers waren gezonde, recreatief actieve volwassenen van 18 tot 65 jaar. Ze werden gescreend op geschiktheid met behulp van de 'Exercise Preparticipation Health Screening Questionnaire for Exercise Professionals'. Uitsluitingscriteria waren onder meer een lichamelijke handicap, ernstige cognitieve stoornissen of een onvermogen om in het Engels te lezen en schrijven.

Interventies Reinforcement Learning (RL)-interventie

Het RL-model dat door de i80 BPM-app wordt gebruikt, gepersonaliseerde oefensessies op basis van gebruikersvoorkeuren, waargenomen inspanning en feedback van eerdere sessies. Het RL-framework maakte gebruik van een besluitvormingsagent, die oefeningen selecteerde uit een reeds bestaande database op basis van het fitnessniveau, de doelen en realtime feedback van de gebruiker. De beloningsfunctie van het model was bedoeld om de gebruikerstevredenheid en de effectiviteit van de sessie te maximaliseren door de moeilijkheidsgraad en inhoud van de oefening aan te passen aan de veranderende behoeften van de gebruiker.

Als een deelnemer bijvoorbeeld in een vorige sessie hoge tevredenheid en matige intensiteit rapporteerde, zou het RL-model soortgelijke of iets uitdagendere oefeningen voor de volgende sessie voorstellen. Het RL-systeem leerde voortdurend van gebruikersinteracties en paste het trainingsvoorschrift aan om optimale betrokkenheid en effectiviteit te behouden.

Controleconditie

In de controleconditie kregen de deelnemers generieke oefensessies die niet gepersonaliseerd waren of aangepast op basis van gebruikersfeedback. Deze sessies omvatten een vaste selectie van oefeningen en evolueerden niet in de loop van de tijd, waardoor een basislijn werd geboden waarmee de gepersonaliseerde RL-interventie kon worden vergeleken.

Resultaatmetingen Primaire uitkomst: gebruikerstevredenheid

De gebruikerstevredenheid werd na elke sessie beoordeeld met behulp van een verkorte versie van 8 items van de Physical Activity Enjoyment Scale (PACES-8). Deze gevalideerde schaal meet de mate waarin deelnemers genoten van hun oefensessies. Scores variëren van 1 (lage tevredenheid) tot 5 (hoge tevredenheid), waarbij hogere scores duiden op meer plezier en algehele tevredenheid over de trainingservaring.

Secundaire uitkomst: trainingsintensiteit

De trainingsintensiteit werd gemeten met behulp van de Borg Rating of Perceived Exertion (RPE)-schaal, die varieert van 1 (zeer gemakkelijk) tot 10 (maximale inspanning). Deelnemers werd na elke sessie via de app gevraagd hun waargenomen inspanning te beoordelen, zodat hun ervaring in realtime kon worden vastgelegd. Hartslaggegevens, verzameld met een Samsung Galaxy Fit 2 smartwatch, dienden als een extra maatstaf voor de intensiteit en valideerden de subjectieve RPE-scores.

Bijkomend resultaat: hartslag

De hartslag werd tijdens elke sessie continu gemeten met behulp van de Samsung Galaxy Fit 2 smartwatch. De hartslaggegevens werden automatisch doorgegeven aan de i80 BPM-app en gebruikt om de fysiologische reacties op de trainingssessies te volgen.

Gegevensverzameling en -beheer Gegevens werden verzameld via de i80 BPM-app, die de gebruikerstevredenheid, trainingsintensiteit, hartslag en de duur van elke trainingssessie registreerde. Om de vertrouwelijkheid van de deelnemers te garanderen, werden alle gegevens vóór analyse geanonimiseerd. Deelnemers kregen een unieke identificatiecode toegewezen en alle gevoelige documenten werden veilig opgeslagen, waarbij alleen geautoriseerd personeel toegang kreeg.

Berekeningen van steekproefomvang en power Gebaseerd op een eerdere haalbaarheidsstudie werd de steekproefomvang geschat op minimaal 40 deelnemers om een ​​gemiddeld verschil van 8 punten op de PACES-8-schaal met een power van 80% te detecteren. Er werden in totaal 69 deelnemers gerekruteerd om rekening te houden met potentiële uitval, en 62 deelnemers voltooiden ten minste één oefensessie. De uiteindelijke steekproefomvang leverde voldoende power op om verschillen tussen de RL- en controleomstandigheden te detecteren.

Statistische analyse Gegeneraliseerde schattingsvergelijkingen (GEE) werden gebruikt om de primaire en secundaire uitkomsten te analyseren. GEE-modellen werden toegepast om rekening te houden met de correlatie van herhaalde metingen binnen proefpersonen. De afhankelijke variabelen in de modellen waren gebruikerstevredenheid (PACES-8-scores) en waargenomen inspanning (Borg-schaalscores), terwijl de onafhankelijke variabelen conditie (RL versus controle) en proefweek waren. Covariabelen omvatten leeftijd, geslacht en fysieke activiteitsniveaus bij aanvang, waarbij de deelnemer-ID werd opgenomen als subjecteffect.