Оценка влияния рецептов упражнений на основе приложений с использованием RL на удовлетворенность и интенсивность упражнений (PERFORM-RL)

Обзор исследования Исследование PERFORM-RL представляло собой 12-недельное рандомизированное перекрестное исследование, проводившееся для оценки влияния персонализированных рецептов упражнений на основе приложений на удовлетворенность пользователей и интенсивность упражнений с использованием обучения с подкреплением (RL) в качестве ключевого механизма настройки. Это исследование было направлено на то, чтобы определить, могут ли сеансы упражнений, созданные с помощью RL, повысить удовлетворенность пользователей и увеличить интенсивность упражнений по сравнению с неперсонализированными общими сеансами. Ожидается, что полученные результаты внесут вклад в растущую область цифровых вмешательств в здравоохранении, особенно в области масштабируемых программ упражнений на основе приложений, предназначенных для повышения вовлеченности пользователей и долгосрочной приверженности.

Цели исследования Основной целью исследования было сравнение удовлетворенности пользователей сеансами упражнений, созданными с помощью RL, и обычными сеансами. Гипотеза заключалась в том, что персонализация на основе RL приведет к более высокой удовлетворенности пользователей, согласно шкале удовольствия от физической активности (PACES-8). Вторичной целью было оценить влияние RL на интенсивность упражнений, измеряемую по шкале Борга «Рейтинг воспринимаемого напряжения» (RPE). Было высказано предположение, что участники будут тренироваться с более высокой интенсивностью в состоянии RL из-за индивидуального характера занятий, который соответствует их предпочтениям и уровню физической подготовки.

Дизайн исследования

Это было рандомизированное перекрестное исследование, слепое для экспертов. В течение 12-недельного исследования каждый участник выполнил два разных условия:

Условия вмешательства: Сеансы упражнений были персонализированы с использованием модели обучения с подкреплением, которая адаптировала сложность и содержание занятий на основе предпочтений участников, прошлых результатов и отзывов.

Контрольные условия: участники выполнили стандартные, неиндивидуальные упражнения. Эти сеансы были заранее разработаны и не адаптировались с учетом отзывов или предпочтений пользователей.

Участники еженедельно чередовали условия вмешательства и контроля, а это означает, что каждую неделю они испытывали разные подходы к назначению упражнений. Такая конструкция гарантировала, что каждый участник действовал как собственный контроль, уменьшая вариабельность и повышая надежность результатов. Все тренировки проводились через приложение i80 BPM, разработанное Samsung, что также облегчило сбор данных.

Участники Участники были набраны из Дублина, Ирландия, и его окрестностей посредством устной речи и социальных сетей. В общей сложности 62 участника (27 мужчин, 42 женщины; средний возраст 42 года) выполнили как минимум одну тренировку, при этом всего за 12-недельный испытательный период было выполнено 559 занятий. Участниками были здоровые, активно отдыхающие взрослые в возрасте от 18 до 65 лет. Их проверяли на соответствие требованиям с использованием «Анкеты для проверки здоровья перед участием в упражнениях для специалистов по физическим упражнениям». Критерии исключения включали физическую инвалидность, серьезные когнитивные нарушения или неспособность читать и писать по-английски.

Вмешательства Обучение с подкреплением (RL) Вмешательство

Модель RL, используемая приложением i80 BPM, персонализирует сеансы упражнений на основе предпочтений пользователя, воспринимаемого напряжения и отзывов о предыдущих сеансах. В системе RL использовался агент принятия решений, который выбирал упражнения из уже существующей базы данных на основе уровня физической подготовки пользователя, его целей и обратной связи в реальном времени. Функция вознаграждения модели направлена ​​на максимизацию удовлетворенности пользователей и эффективности занятий путем адаптации сложности и содержания упражнений в соответствии с меняющимися потребностями пользователя.

Например, если участник сообщил о высоком удовлетворении и умеренной интенсивности на предыдущем занятии, модель RL предложит аналогичные или немного более сложные упражнения для следующего занятия. Система RL постоянно училась на основе взаимодействия с пользователем, корректируя рецепты упражнений для поддержания оптимального взаимодействия и эффективности.

Условия управления

В контрольном состоянии участники получали стандартные сеансы упражнений, которые не были персонализированы или адаптированы на основе отзывов пользователей. Эти занятия включали фиксированный набор упражнений и не менялись с течением времени, обеспечивая основу, с которой можно было сравнивать персонализированное вмешательство RL.

Измерения результата. Первичный результат: удовлетворенность пользователей.

Удовлетворенность пользователей оценивалась после каждого сеанса с использованием сокращенной версии шкалы удовольствия от физической активности (PACES-8), состоящей из 8 пунктов. Эта проверенная шкала измеряет степень удовольствия участников от тренировок. Баллы варьируются от 1 (низкая удовлетворенность) до 5 (высокая удовлетворенность), при этом более высокие баллы указывают на большее удовольствие и общее удовлетворение от тренировок.

Вторичный результат: интенсивность упражнений

Интенсивность упражнений измерялась с помощью шкалы воспринимаемого напряжения Борга (RPE), которая варьируется от 1 (очень легкое) до 10 (максимальное напряжение). Участникам предлагалось оценить воспринимаемое ими усилие после каждого занятия через приложение, что обеспечивало запись их опыта в режиме реального времени. Данные о частоте пульса, собранные с помощью умных часов Samsung Galaxy Fit 2, служили дополнительным показателем интенсивности, подтверждая субъективные оценки RPE.

Дополнительный результат: частота сердечных сокращений

Частота сердечных сокращений постоянно контролировалась во время каждой тренировки с помощью умных часов Samsung Galaxy Fit 2. Данные о частоте пульса автоматически передавались в приложение i80 BPM и использовались для отслеживания физиологических реакций на тренировки.

Сбор и управление данными. Данные собирались с помощью приложения i80 BPM, которое записывало удовлетворенность пользователей, интенсивность упражнений, частоту сердечных сокращений и продолжительность каждой тренировки. Чтобы обеспечить конфиденциальность участников, все данные перед анализом были анонимизированы. Участникам был присвоен уникальный идентификационный код, а все конфиденциальные документы надежно хранились, и доступ к ним имели только уполномоченные сотрудники.

Размер выборки и расчеты мощности На основании предыдущего технико-экономического обоснования размер выборки оценивался как минимум в 40 участников, чтобы обнаружить среднюю разницу в 8 баллов по шкале PACES-8 с мощностью 80%. Всего было набрано 69 участников для учета потенциальных выбывших, и 62 участника завершили хотя бы одну тренировку. Окончательный размер выборки обеспечил достаточную мощность для обнаружения различий между RL и контрольными условиями.

Обобщенные оценочные уравнения статистического анализа (GEE) использовались для анализа первичных и вторичных результатов. Модели GEE применялись для учета корреляции повторных измерений внутри субъектов. Зависимыми переменными в моделях были удовлетворенность пользователя (оценки PACES-8) и воспринимаемое напряжение (оценки по шкале Борга), тогда как независимыми переменными были состояние (RL против контроля) и неделя испытаний. Ковариаты включали возраст, пол и исходный уровень физической активности, при этом идентификатор участника включался в качестве субъектного эффекта.