Effekt av smartphone-app på aktivitet

Syftet med studien är att öka patienternas fysiska aktiviteter genom att använda en dedikerad cellulär applikation som kommer att uppmuntra patienter att följa sin läkares rekommendation på personlig basis.

Primärt resultat Hos diabetespatienter: mätning av en ökning av daglig fysisk aktivitet Hos cancerpatienter: förbättring av livskvalitet i samband med nivån av fysisk aktivitet

Sekundära resultat Hos diabetespatienter: förbättrad glykemisk kontroll bedömd genom sekventiella blodprover för HbA1c.

Patienterna kommer att fylla i livskvalitetsformulär (SF36) vid rekrytering och efter 6 månader. Efter 6 månader kommer patienterna också att fylla i ett frågeformulär om sin upplevelse av att använda appen.

Varje rekryterad patient kommer att ha en Android-baserad smarttelefon. Varje patient kommer att ge:

1. Godkännande att gå med i experimentet
2. Ålder, kön, längd
3. Telefonnummer (för SMS)

Interventionens längd - minst 6 månader per patient. Varje patient kommer slumpmässigt att delas in i en av två grupper, som kommer att specificera feedback i förhållande till honom själv eller andra eller en veckovis påminnelse om att träna.

Antal patienter:

1. Diabetes: 150 patienter, varav 50 kontroller.
2. Cancer: 100 patienter, varav 20 kontroller. Alla patienter kommer att få instruktioner om vikten av fysisk aktivitet och en personlig rekommendation för aktivitetsnivå, n aktivitetspass per vecka och tidsintervall per pass (dvs minst 2 timmars promenad per vecka fördelat på 3 gångpass per vecka) Patienter i behandlingsarmarna kommer att få minst n (antal berömda sessioner) meddelanden per vecka med positiv feedback om aktivitet utförs eller negativ feedback om den inte utförs. På vald dag varje vecka får patienten en sammanfattning av träningen för hela veckan.

Feedback Möjlig feedback

(OBS - dessa är de faktiska feedbackmeddelanden som deltagarna kommer att få, och är därför i andra person):

1. Negativ feedback: "Du måste träna för att nå dina aktivitetsmål. Kom ihåg att träna imorgon."

2. Positiv feedback:

   1. Relativt till mig själv: "Du träningsnivå är högre än förra veckan. Fortsätt så"
   2. I förhållande till andra: "Du tränar mer än den genomsnittliga personen. Fortsätt så"
3. Kontrollarm: "Kom du ihåg att träna?"

Tekniska krav

1. App - kommer att samla in fysisk aktivitet och skicka den till en server. Appen körs i bakgrunden utan att behöva starta om vid omstart.
2. Server - Samlar fysisk aktivitet

Feedbackpolicyer Experimentet kommer att ha två faser av feedback. Fas 1

Utredarna börjar utan data, så policyn i detta skede är följande:

1. Positiv feedback kommer att skickas varje dag om användaren har överträffat 1/7 av veckoaktiviteten den dagen.
2. Negativ feedback kommer att skickas var tredje dag, om aktiviteten inte har passerat 1/7 av aktiviteten.

Varje dag, med en sannolikhet på 0,2, kommer ett slumpmässigt beslut om återkoppling att tas.

Denna fas kommer att pågå i cirka 4 veckor. Fas 2 Med hjälp av en inlärningsalgoritm (se nedan) kommer datorn att justera återkopplingen och besluta dagligen om återkopplingen (positiv \ negativ \ ingen).

Policyinlärning Utredarna kommer att börja med en enkel policyinlärningsstrategi och senare använda mer sofistikerade metoder som kommer att ha en stat-rymd representation av användaren.

Den initiala algoritmen kommer att representera varje användare varje dag med hjälp av följande attribut:

1. Demografi (ålder och kön)
2. Förväntad kontra faktisk aktivitetsnivå denna vecka (förhållande mellan de två)
3. Senaste feedback som gavs (positiv \ negativ)
4. Veckodag (vi kommer att använda veckolånga cykler). Målet med algoritmen är att ge feedback idag för att uppmuntra till aktivitet i morgon.

Vid träning av algoritmen kommer datorn att ha en funktionsvektor som består av ovanstående attribut och en matris av åtgärder (för dag t). Resultatet som ska förutsägas är om aktivitetsnivån påföljande dag (t+1).

Det kan finnas två typer av feedback beroende på veckovisa och dagliga beteenden:

Veckomål Ej uppnått Uppnått Dagsmål (på dag (t+1)) Ej uppnått 1 1+alfa Uppnått 1+alfa 1 (alfa>0) Algoritmen kommer att betala en högre straffavgift om till exempel en viss dag meddelandet uppmuntrade aktivitet, men veckomålet uppnåddes inte jämfört med om det var det.

För enkelhetens skull kommer den initiala inlärningsalgoritmen att vara linjär tills tillräckligt med data har samlats in. Det vill säga givet en matris:

X = (demografi, förväntad vs. faktisk aktivitet, senaste feedback, veckodag, åtgärder) Och en vektor som visar aktivitetsmängden följande dag, viktad som i tabellen ovan, betecknad med Y, vi kommer att lära oss en vektor av vikter w så att: X * w = Y.

I fas 2 av projektet kommer datorn att använda andra inlärningsalgoritmer. Utforskning (slumpmässig åtgärd vid en viss dag) kommer att fortsätta under båda faserna på samma nivå.