Utveckla dynamiska teorier för beteendeförändring

Ohälsosamt beteende bidrar till majoriteten av kroniska sjukdomar, som står för 86 % av alla sjukvårdsutgifter i USA. Trots en hel del forskning är utvecklingen av beteendeförändringsinterventioner som är effektiva, skalbara och hållbara fortfarande utmanande. De senaste framstegen inom mobil avkänning och smartphone-baserade teknologier har lett till en ny och lovande form av intervention, kallad "Just-in-time, adaptive intervention" (JITAI), som har potential att kontinuerligt anpassa sig till förändrade sammanhang och anpassa till individuella behov och möjligheter till beteendeförändring. Även om interventioner har visat sig vara mer effektiva när de är baserade på sund teori, saknar nuvarande beteendeteorier den tidsmässiga granularitet och flerskaliga dynamiska struktur som behövs för att utveckla effektiva JITAI baserade på mätningar av komplexa dynamiska beteenden och sammanhang. Samtidigt finns det en brist på modelleringsramverk som kan uttrycka dynamiska, temporärt flerskaliga teorier och representera dynamiska, temporärt flerskaliga data. Detta projekt kommer att behandla teoriutveckling, mätning och modellering av utmaningar och möjligheter som presenteras av intensivt insamlad longitudinell data, med fokus på fysisk aktivitet och stillasittande beteende, och breda implikationer för andra beteenden.

För effektivitetens skull bygger studien på den NIH-finansierade årslånga mikrorandomiserade studien (MRT) av HeartSteps (n=60), en adaptiv mHealth-intervention baserad på Social-Cognitive Theory (SCT) utvecklad för att öka promenader och minska stillasittande beteende hos patienter med hjärt-kärlsjukdom. Syften med detta nya förslag är: 1) Förfina och utveckla dynamiska mått på teoretiska konstruktioner som påverkar studiens målbeteenden, 2) Förbättra HeartSteps med de mått som utvecklats i Mål 1 och samla in data från ytterligare två årslånga HeartSteps-kohorter (sittande övervikt). /överviktiga vuxna (n=60) och typ 2-diabetespatienter (n=60), totalt n=180), 3) Utveckla ett modelleringsramverk för att operationalisera dynamiska och kontextualiserade teorier om beteende i en interventionsmiljö, och 4) Förbättra förutsägelse av SCT-resultat med allt mer komplexa modeller. Det arbete som föreslås här kommer att tillhandahålla nya digitala, datadrivna mått på viktiga beteendeteoretiska konstruktioner på momentana, dagliga och veckovisa tidsskalor, tillhandahålla nya verktyg skräddarsydda för specifikation av komplexa modeller av beteendedynamik, såväl som nya skräddarsydda modelluppskattningsverktyg specifikt till de komplexa, longitudinella, flertidsskala beteende- och kontextuella data som nu är tillgängliga med hjälp av mHealth-tekniker. Slutligen kommer utredarna att utnyttja insamlade data och de föreslagna modelleringsverktygen för att utveckla och testa förbättrade, dynamiska förlängningar av social kognitiv teori operationaliserade som helt kvantifierade, prediktiva dynamiska modeller. Tillsammans kommer detta arbete att tillhandahålla de teoretiska grunderna och verktygen som behövs för att avsevärt öka effektiviteten av fysisk aktivitetsbaserade mobila hälsointerventioner över flera tidsskalor, inklusive deras förmåga att effektivt stödja beteendeförändringar över längre tidsskalor.