Efeito do aplicativo para smartphone na atividade

O objetivo do estudo é aumentar as atividades físicas dos pacientes usando um aplicativo de celular dedicado que os incentivará a aderir pessoalmente às recomendações do médico.

Desfecho primário Em pacientes diabéticos: medir o aumento da atividade física diária Em pacientes oncológicos: melhora da qualidade de vida em correlação com o nível de atividade física

Desfechos secundários Em pacientes diabéticos: melhor controle glicêmico avaliado por exames de sangue sequenciais para HbA1c.

Os pacientes preencherão questionários de qualidade de vida (SF36) no recrutamento e após 6 meses. Após 6 meses, os pacientes também preencherão um questionário sobre sua experiência de uso do aplicativo.

Cada paciente recrutado terá um smartphone baseado em Android. Cada paciente fornecerá:

1. Aprovação para participar do experimento
2. Idade, sexo, altura
3. Número de telefone (para SMS)

Duração da intervenção - pelo menos 6 meses por paciente. Cada paciente será dividido aleatoriamente em um dos dois grupos, que especificarão feedback relativo a si mesmo ou a outros ou um lembrete semanal para o exercício.

Número de pacientes:

1. Diabetes: 150 pacientes, dos quais 50 são controles.
2. Câncer: 100 pacientes, dos quais 20 são controles. Todos os pacientes receberão instruções sobre a importância da atividade física e uma recomendação pessoal para o nível de atividade, n sessões de atividade por semana e intervalo de tempo por sessão (ou seja, pelo menos 2 horas de caminhada por semana divididas em 3 sessões de caminhada por semana) Os pacientes nos grupos de tratamento receberão pelo menos n (número de sessões recomendadas) mensagens por semana de feedback positivo se a atividade for realizada ou feedback negativo se não for realizada. No dia escolhido de cada semana, o paciente receberá um resumo do exercício para toda a semana.

Comentários Possíveis comentários

(NOTA - estas são as mensagens reais de feedback que os participantes receberão e, portanto, estão na segunda pessoa):

1. Feedback negativo: "Você precisa se exercitar para atingir suas metas de atividade. Lembre-se de se exercitar amanhã".

2. Comentários positivos:

   1. Em relação a si mesmo: "Seu nível de exercício é maior do que na semana passada. Mantenha o bom trabalho"
   2. Em relação aos outros: "Você está se exercitando mais do que a média das pessoas. Mantenha o bom trabalho"
3. Braço de controle: "Você se lembrou de se exercitar?"

Requerimentos técnicos

1. App - coletará atividade física e enviará para um servidor. O aplicativo será executado em segundo plano sem a necessidade de reiniciar na reinicialização.
2. Servidor - Coleta atividade física

Políticas de feedback O experimento terá duas fases de feedback. Fase 1

Os investigadores começam sem dados, então a política nesta fase é a seguinte:

1. Feedback positivo será enviado todos os dias se o usuário tiver ultrapassado 1/7 da atividade semanal naquele dia.
2. O feedback negativo será enviado a cada 3 dias, se a atividade não tiver passado de 1/7 da atividade.

A cada dia, com uma probabilidade de 0,2, será tomada uma decisão aleatória sobre o feedback.

Esta fase durará aproximadamente 4 semanas. Fase 2 Usando um algoritmo de aprendizado (veja abaixo), o computador ajustará o feedback e decidirá diariamente sobre o feedback (positivo \ negativo \ nenhum).

Aprendizagem de políticas Os investigadores começarão com uma estratégia simples de aprendizagem de políticas e, posteriormente, usarão métodos mais sofisticados que terão uma representação do usuário em espaço de estado.

O algoritmo inicial representará cada usuário a cada dia usando os seguintes atributos:

1. Dados demográficos (idade e sexo)
2. Nível de atividade esperado versus real nesta semana (proporção dos dois)
3. Último feedback dado (positivo \ negativo)
4. Dia da semana (usaremos ciclos de uma semana). O objetivo do algoritmo é dar feedback hoje para encorajar a atividade amanhã.

Ao treinar o algoritmo, o computador terá um vetor de recursos composto pelos atributos acima e uma matriz de ações (para o dia t). A saída a ser prevista é se o nível de atividade no dia seguinte (t+1).

Pode haver dois tipos de feedback, dependendo dos comportamentos semanais e diários:

Meta semanal Não atingida Meta diária (no dia (t+1)) Não atingida 1 1+alpha Atingida 1+alpha 1 (alpha>0) O algoritmo pagará uma penalidade maior se, por exemplo, em um determinado dia a mensagem incentivou a atividade, mas a meta semanal não foi alcançada em comparação com se fosse.

Para simplificar, o algoritmo de aprendizado inicial será linear, até que dados suficientes sejam coletados. Ou seja, dada uma matriz:

X = (informações demográficas, atividade esperada vs. real, último feedback, dia da semana, ações) E um vetor mostrando a quantidade de atividade no dia seguinte, ponderado como na tabela acima, denotado por Y, aprenderemos um vetor de pesos w tais que: X * w = Y.

Na fase 2 do projeto o computador utilizará outros algoritmos de aprendizagem. A exploração (ação aleatória em um determinado dia) continuará em ambas as fases no mesmo nível.