Maskinbasert algoritme for økt fysisk aktivitet og vedvarende brukerengasjement

Forskerteamet vil samarbeide med Telus Health og Sprout-appen (iOS- og Android-versjoner), som er designet for å øke fysisk aktivitet ved å la deltakerne spore sine daglige skritt og aktivt sammenligne dem med sine daglige mål. Etter å ha lastet ned Sprout, kan brukere åpne appen og navigere gjennom landings- og hjemmesiden. På hjemmesiden vises antall trinn fullført den dagen og brukerens daglige trinnmål. Deltakere kan klikke på to ikoner øverst på hjemmesiden. Hvis brukerne klikker på venstre ikon, vises historikksiden. Historiesiden lar deltakerne spore ytelsen deres den siste uken ved å vise deres daglige skritt og daglige mål på et fargekodet søylediagram. Den grønne linjen indikerer oppnåelsen av trinnmålet på den tilsvarende dagen, og den røde linjen indikerer manglende oppnåelse av trinnmålet på den tilsvarende dagen. Den innebygde helsebrikken i iPhone- og Android-enhetene samler inn skrittdataene, og nøyaktigheten av trinntellingene som samles inn av iPhone- og Android-helsebrikken har blitt validert i en rekke studier for å ha sammenlignbar nøyaktighet med en ActiGraph. Sprout-appen lagrer først trinn- og måldataene lokalt på telefonen og synkroniseres deretter med serveren hvert 10. minutt når telefonen er aktiv. Pushvarslingen for appen er også aktivert (hvis den er aktivert av brukeren), og standard iOS- og Android-pushvarsling brukes. Push-varslingen er synlig på landingssiden og i fanen nylige varsler på telefonen.

Kvalifiserte deltakere starter en 1 ukes innkjøringsperiode etter at de har lastet ned appen. Hensikten med innkjøringsperioden er å samle inn grunnleggende daglige trinn, og vurdere om deltakeren er i stand til å overholde kravene som kreves for å regelmessig bruke Sprout-appen. I løpet av innkjøringsperioden vil alle deltakerne i kontroll- og intervensjonsgruppene motta identiske sett med daglige trinnmål for dag 1 til dag 7 som henholdsvis 3000, 3500, 4000, 4500, 5000, 5500 og 6000 trinn. Maskinlæringsalgoritmen vil ikke bli brukt til å beregne trinnmål for deltakere i intervensjonsgruppen i løpet av innkjøringsperioden. Dynamisk økende trinnmål vil bli brukt i innkjøringsperioden for å engasjere deltakere i å bruke appen regelmessig. I tillegg vil alle deltakere motta en push-varsling kl. 08.00 som gir dagens trinnmål, og hvis deltakeren oppnår målet før kl. 20.00, vil en ny push-varsling bli sendt for å gratulere deltakeren med å ha nådd trinnmålet for dagen. . De identiske målene mellom de 2 gruppene i løpet av innkjøringsperioden brukes til å etablere et referansenivå for innledende fysisk aktivitet, som vil bli brukt i de statistiske analysene for å sammenligne forskjellen i daglige trinn mellom innkjøring og 12 uker for de 2. grupper. Data som samles inn i løpet av innkjøringsperioden vil bli brukt av maskinlæringsalgoritmen for å beregne trinnmål for intervensjonsperioden. Dette er en gyldig tilnærming fordi innkjøringsdata vil være en indikasjon på preferansen til forskjellige deltakere. Alle deltakere vil ha blitt plassert i en av to grupper. Tildelingen av appbrukere til grupper vil bli implementert av Telus Health etter innkjøringsperioden. Etter den 1 uker lange innkjøringsperioden vil deltakerne i kontrollgruppen få konstante daglige trinnmål som ble satt til 10 000 trinn per dag gjennom Sprout-appen. Deltakerne vil motta en push-varsling kl. 08.00 hver dag som gir dagens trinnmål (10 000 trinn), og hvis deltakeren oppnår målet før kl. 20.00, vil en ny push-melding bli sendt for å gratulere deltakeren med å ha nådd trinnmålet deres (på 10 000 skritt) for dagen.

Etter innkjøringsperioden på 1 uke vil deltakerne i intervensjonsgruppen få tilpassede trinnmål gjennom Sprout-appen. De daglige trinnmålene vil bli beregnet ved hjelp av maskinlæring på hele historikken (tidligere trinn og mål) til brukeren. Maskinlæring vil bli brukt hver dag for å redusere variasjonen i fremtidige trinn og mål. Deltakerne vil motta en push-varsling kl. 08.00 hver dag som gir dagens trinnmål, og hvis deltakeren oppnår målet før kl. 20.00, vil en ny push-varsling bli sendt for å gratulere deltakeren med å ha nådd trinnmålet for det. dag. Maskinlæring vil adaptivt beregne personaliserte trinnmål som er spådd å maksimere fremtidig fysisk aktivitet for hver deltaker basert på alle tidligere trinns data og mål for hver deltaker. Maskinlæring brukes på hver deltaker individuelt, og den består av to hovedtrinn. Det første trinnet er å bruke alle deltakerens data til å konstruere en kvantitativ modell som forutsier hvor mange skritt deltakeren vil ta i fremtiden, gitt et foreskrevet sett med trinnmål, og et viktig aspekt ved modellen er en komponent som beskriver hvordan å nå mål i nåtiden kan øke sannsynligheten for å nå mål i fremtiden. Det andre trinnet er å bruke denne kvantitative modellen til å velge en sekvens av trinnmål som maksimerer det anslåtte fremtidige antallet trinn. For å gjøre prosessen med å oppdatere trinnmål adaptiv, brukes maskinlæring hver dag (ved å bruke alle brukernes tidligere data) for å generere trinnmål for den kommende dagen. Dessuten er trinnmålene beregnet av maskinlæring for den kommende dagen ikke konstante, men øker eller reduseres basert på modellprediksjonen. Sprout-appen vil automatisk spore deltakernes antall skritt hver dag og vil gi mål uavhengig av deres engasjementnivå i appen over den 12-ukers studieperioden. Siden dataene blir analysert i ettertid, vil det ikke bli gitt noen "slutt på studien" til deltakerne. Ved registrering for studieprosedyrene ga imidlertid alle brukere skriftlig informert samtykke til at dataene deres ble samlet inn og analysert.