Utvikle dynamiske teorier for atferdsendring

Usunn atferd bidrar til de fleste kroniske sykdommer, som står for 86 % av alle helseutgifter i USA. Til tross for mye forskning, er utviklingen av atferdsendringstiltak som er effektive, skalerbare og bærekraftige fortsatt utfordrende. Nylige fremskritt innen mobil sensing og smarttelefonbaserte teknologier har ført til en ny og lovende form for intervensjon, kalt en "Just-in-time, adaptive intervensjon" (JITAI), som har potensial til å kontinuerlig tilpasse seg skiftende kontekster og tilpasse seg individuelle behov og muligheter for atferdsendring. Selv om intervensjoner har vist seg å være mer effektive når de er basert på god teori, mangler nåværende atferdsteorier den tidsmessige granulariteten og multiskala dynamisk struktur som er nødvendig for å utvikle effektive JITAIer basert på målinger av kompleks dynamisk atferd og kontekster. Samtidig er det mangel på modelleringsrammer som kan uttrykke dynamiske, tidsmessig flerskala-teorier og representere dynamiske, tidsmessige flerskaladata. Dette prosjektet vil ta for seg teori-utvikling, måling og modellering av utfordringer og muligheter som presenteres av intensivt innsamlede longitudinelle data, med fokus på fysisk aktivitet og stillesittende atferd, og brede implikasjoner for annen atferd.

For effektiviteten bygger studien på den NIH-finansierte årlange mikrorandomiserte studien (MRT) av HeartSteps (n=60), en adaptiv mHealth-intervensjon basert på sosialkognitiv teori (SCT) utviklet for å øke gange og redusere stillesittende atferd hos pasienter med kardiovaskulær sykdom. Målet med dette nye forslaget er: 1) Avgrense og utvikle dynamiske mål for teoretiske konstruksjoner som påvirker studiens målatferd, 2) Forbedre HeartSteps med tiltakene utviklet i Mål 1 og samle inn data fra ytterligere to år lange HeartSteps-kohorter (sittende overvekt) /overvektige voksne (n=60) og type 2 diabetespasienter (n=60), totalt n=180), 3) Utvikle et modelleringsrammeverk for å operasjonalisere dynamiske og kontekstualiserte teorier om atferd i en intervensjonssetting, og 4) Forbedre prediksjon av SCT-utfall ved bruk av stadig mer komplekse modeller. Arbeidet som foreslås her vil gi nye digitale, datadrevne målinger av sentrale atferdsteoretiske konstruksjoner på momentane, daglige og ukentlige tidsskalaer, gi nye verktøy skreddersydd for spesifikasjonen av komplekse modeller for atferdsdynamikk, samt nye modellestimeringsverktøy skreddersydd spesielt til de komplekse, langsgående, multi-time skala atferdsmessige og kontekstuelle dataene som nå er tilgjengelige ved hjelp av mHealth-teknologier. Til slutt vil etterforskerne utnytte de innsamlede dataene og de foreslåtte modelleringsverktøyene for å utvikle og teste forbedrede, dynamiske utvidelser av sosial kognitiv teori operasjonalisert som fullt kvantifiserte, prediktive dynamiske modeller. Samlet vil dette arbeidet gi det teoretiske grunnlaget og verktøyene som trengs for å betydelig øke effektiviteten til fysisk aktivitetsbaserte mobile helseintervensjoner over flere tidsskalaer, inkludert deres evne til å effektivt støtte atferdsendring over lengre tidsskalaer.