Desenvolvendo Teorias Dinâmicas para Mudança de Comportamento

Comportamentos pouco saudáveis ​​contribuem para a maioria das doenças crônicas, que representam 86% de todos os gastos com saúde nos EUA. Apesar de muita pesquisa, o desenvolvimento de intervenções de mudança de comportamento que sejam eficazes, escaláveis ​​e sustentáveis ​​continua sendo um desafio. Avanços recentes em sensores móveis e tecnologias baseadas em smartphones levaram a uma forma nova e promissora de intervenção, chamada de "intervenção adaptativa just-in-time" (JITAI), que tem o potencial de se adaptar continuamente a contextos em mudança e personalizar para necessidades individuais e oportunidades de mudança de comportamento. Embora as intervenções tenham se mostrado mais eficazes quando baseadas na teoria do som, as teorias comportamentais atuais carecem da granularidade temporal e da estrutura dinâmica multiescalar necessária para desenvolver JITAIs eficazes com base em medições de comportamentos e contextos dinâmicos complexos. Simultaneamente, há uma falta de estruturas de modelagem que possam expressar teorias dinâmicas e temporalmente multiescalares e representar dados dinâmicos e temporalmente multiescalares. Este projeto abordará os desafios e oportunidades de desenvolvimento de teoria, medição e modelagem apresentados por dados longitudinais coletados intensivamente, com foco em atividade física e comportamento sedentário e amplas implicações para outros comportamentos.

Para eficiência, o estudo baseia-se no estudo micro-randomizado (MRT) de HeartSteps (n = 60) financiado pelo NIH, uma intervenção adaptativa de mHealth baseada na Teoria Social-Cognitiva (SCT) desenvolvida para aumentar a caminhada e diminuir o comportamento sedentário em pacientes com doença cardiovascular. Os objetivos desta nova proposta são: 1) Refinar e desenvolver medidas dinâmicas de construtos teóricos que influenciam os comportamentos-alvo do estudo, 2) Aprimorar HeartSteps com as medidas desenvolvidas no Objetivo 1 e coletar dados de duas coortes HeartSteps adicionais de um ano (sedentários com sobrepeso /adultos obesos (n=60) e pacientes com diabetes tipo 2 (n=60), total n=180), 3) Desenvolver uma estrutura de modelagem para operacionalizar teorias de comportamento dinâmicas e contextualizadas em um ambiente de intervenção e 4) Melhorar a previsão de Resultados SCT usando modelos cada vez mais complexos. O trabalho proposto aqui fornecerá novas medidas digitais, baseadas em dados, das principais construções da teoria comportamental nas escalas de tempo momentânea, diária e semanal, fornecerá novas ferramentas adaptadas para a especificação de modelos complexos de dinâmica comportamental, bem como novas ferramentas de estimativa de modelo adaptadas especificamente para os dados comportamentais e contextuais complexos, longitudinais e multitemporais que agora são acessíveis por meio de tecnologias mHealth. Por fim, os investigadores aproveitarão os dados coletados e as ferramentas de modelagem propostas para desenvolver e testar extensões dinâmicas aprimoradas da teoria social cognitiva operacionalizadas como modelos dinâmicos preditivos totalmente quantificados. Coletivamente, este trabalho fornecerá os fundamentos teóricos e as ferramentas necessárias para aumentar significativamente a eficácia das intervenções móveis de saúde baseadas em atividade física em várias escalas de tempo, incluindo sua capacidade de apoiar efetivamente a mudança de comportamento em escalas de tempo mais longas.