Effekt av smarttelefon-app på aktivitet

Målet med studien er å øke pasientenes fysiske aktiviteter ved å bruke en dedikert mobilapplikasjon som vil oppmuntre pasienter til å følge legens anbefaling på personlig basis.

Primært resultat Hos diabetespasienter: måling av økt daglig fysisk aktivitet Hos kreftpasienter: forbedring av livskvalitet i samsvar med nivået av fysisk aktivitet

Sekundære utfall hos diabetespasienter: forbedret glykemisk kontroll vurdert ved sekvensielle blodprøver for HbA1c.

Pasientene skal fylle ut livskvalitetsspørreskjemaer (SF36) ved rekruttering og etter 6 måneder. Etter 6 måneder vil pasientene også fylle ut et spørreskjema om deres opplevelse av å bruke appen.

Hver rekruttert pasient vil ha en Android-basert smarttelefon. Hver pasient vil gi:

1. Godkjenning for å bli med i eksperimentet
2. Alder, kjønn, høyde
3. Telefonnummer (for SMS)

Intervensjonslengde - minst 6 måneder per pasient. Hver pasient vil bli tilfeldig fordelt i en av to grupper, som vil spesifisere tilbakemeldinger i forhold til seg selv eller andre eller en ukentlig påminnelse om å trene.

Antall pasienter:

1. Diabetes: 150 pasienter, hvorav 50 kontroller.
2. Kreft: 100 pasienter, hvorav 20 kontroller. Alle pasienter vil motta instruksjoner om viktigheten av fysisk aktivitet og en personlig anbefaling for aktivitetsnivå, n økter med aktivitet per uke, og tidsrom per økt (dvs. minst 2 timer gange per uke fordelt på 3 gange per uke) Pasienter i behandlingsarmene vil motta minst n (antall rosende økter) meldinger per uke med positiv tilbakemelding hvis aktiviteten utføres eller negativ tilbakemelding hvis den ikke utføres. På valgt dag hver uke vil pasienten motta en oppsummering av øvelsen for hele uken.

Tilbakemelding Mulig tilbakemelding

(MERK - disse er de faktiske tilbakemeldingsmeldingene som deltakerne vil motta, og er derfor i andreperson):

1. Negativ tilbakemelding: "Du må trene for å nå aktivitetsmålene dine. Husk å trene i morgen."

2. Positive tilbakemeldinger:

   1. I forhold til deg selv: "Du har høyere treningsnivå enn forrige uke. Fortsett det gode arbeidet"
   2. I forhold til andre: "Du trener mer enn gjennomsnittspersonen. Fortsett det gode arbeidet"
3. Kontrollarm: "Har du husket å trene?"

Tekniske krav

1. App - vil samle fysisk aktivitet og sende den til en server. Appen vil kjøre i bakgrunnen uten å måtte starte på nytt ved omstart.
2. Server - Samler fysisk aktivitet

Retningslinjer for tilbakemelding Eksperimentet vil ha to faser med tilbakemelding. Fase 1

Etterforskerne begynner uten data, så policyen på dette stadiet er som følger:

1. Positiv tilbakemelding vil bli sendt hver dag hvis brukeren har passert 1/7 av den ukentlige aktiviteten den dagen.
2. Negativ tilbakemelding vil bli sendt hver 3. dag, hvis aktiviteten ikke har passert 1/7 av aktiviteten.

Hver dag, med en sannsynlighet på 0,2, vil det bli tatt en tilfeldig beslutning om tilbakemelding.

Denne fasen vil vare i ca. 4 uker. Fase 2 Ved hjelp av en læringsalgoritme (se nedenfor) vil datamaskinen justere tilbakemeldingene og bestemme daglig tilbakemeldingen (positiv \ negativ \ ingen).

Politisk læring Etterforskerne vil starte med en enkel policy-læringsstrategi, og senere bruke mer sofistikerte metoder som vil ha en stat-rom representasjon av brukeren.

Den første algoritmen vil representere hver bruker hver dag ved å bruke følgende attributter:

1. Demografi (alder og kjønn)
2. Forventet kontra faktisk aktivitetsnivå denne uken (forholdet mellom de to)
3. Siste tilbakemelding gitt (positiv \ negativ)
4. Ukedag (vi vil bruke ukelange sykluser). Målet med algoritmen er å gi tilbakemelding i dag for å oppmuntre til aktivitet i morgen.

Når du trener algoritmen, vil datamaskinen ha en funksjonsvektor som består av attributtene ovenfor, og en matrise av handlinger (for dag t). Utgangen som skal forutsies er om aktivitetsnivået påfølgende dag (t+1).

Det kan være to typer tilbakemeldinger avhengig av ukentlig og daglig atferd:

Ukentlig mål Ikke oppnådd Daglig mål (på dag (t+1)) Ikke oppnådd 1 1+alfa Oppnådd 1+alfa 1 (alfa>0) Algoritmen vil betale en høyere straff hvis for eksempel på en gitt dag meldingen oppmuntret til aktivitet, men det ukentlige målet ble ikke oppnådd sammenlignet med om det var det.

For enkelhets skyld vil den innledende læringsalgoritmen være lineær, inntil nok data er samlet inn. Det vil si gitt en matrise:

X = (demografi, forventet vs. faktisk aktivitet, siste tilbakemelding, ukedag, handlinger) Og en vektor som viser aktivitetsmengden påfølgende dag, vektet som i tabellen ovenfor, betegnet med Y, vil vi lære en vektor av vekter w slik at: X * w = Y.

I fase 2 av prosjektet vil datamaskinen bruke andre læringsalgoritmer. Utforskning (tilfeldig handling på en gitt dag) vil fortsette gjennom begge fasene på samme nivå.