智能手机应用程序对活动的影响

该研究的目的是通过使用专用的蜂窝应用程序来增加患者的身体活动，该应用程序将鼓励患者在个人基础上遵守医生的建议。

主要结果 在糖尿病患者中：测量日常体力活动的增加 在癌症患者中：与体力活动水平相关的生活质量改善

糖尿病患者的次要结果：通过连续血液检测 HbA1c 评估血糖控制得到改善。

患者将在招募时和 6 个月后填写生活质量问卷 (SF36)。 6 个月后，患者还将填写一份关于他们使用该应用程序的体验的问卷。

每个招募的患者都将拥有一部基于 Android 的智能手机。 每位患者将提供：

1. 批准加入实验
2. 年龄、性别、身高
3. 电话号码（用于短信）

干预时间——每位患者至少 6 个月。 每个患者将被随机分配到两组中的一组，这将指定与他自己或他人相关的反馈或每周锻炼提醒。

患者人数：

1. 糖尿病：150 名患者，其中 50 名是对照。
2. 癌症：100 名患者，其中 20 名是对照。 所有患者都将接受有关身体活动重要性的指导和对活动水平的个人建议、每周活动次数和每次活动的时间跨度（即，每周至少步行 2 小时，分为每周 3 次步行）如果进行了活动，治疗组中的患者每周将至少收到 n（推荐会话的次数）消息，如果不进行活动，则会收到负面反馈。 在每周选定的一天，患者将收到一周的锻炼总结。

反馈 可能的反馈

（注意 - 这些是参与者将收到的实际反馈消息，因此是第二人称）：

1. 负面反馈：“你需要锻炼才能达到你的活动目标。 请明天记得锻炼”。

2. 正面反馈：

   1. 相对于自己：“你的运动水平比上周高。 保持良好的工作”
   2. 相对于其他人：“你比一般人锻炼得更多。 保持良好的工作”
3. 控制臂：“你记得锻炼吗？”

技术要求

1. 应用程序 - 将收集身体活动并将其发送到服务器。 应用程序将在后台运行，无需在重新启动时重新启动。
2. 服务器 - 收集身体活动

反馈政策 实验将有两个阶段的反馈。 阶段1

调查人员开始时没有数据，因此现阶段的政策如下：

1. 如果用户当天超过每周活动的 1/7，则每天都会发送积极反馈。
2. 如果活动未超过活动的 1/7，将每 3 天发送一次负面反馈。

每天都会以 0.2 的概率对反馈做出随机决定。

这个阶段将持续大约 4 周。 阶段 2 使用学习算法（见下文），计算机将调整反馈，并每天决定反馈（正面\负面\无）。

策略学习 研究人员将从一个简单的策略学习策略开始，然后使用更复杂的方法，这些方法将具有用户的状态空间表示。

初始算法将使用以下属性代表每天的每个用户：

1. 人口统计（年龄和性别）
2. 本周预期与实际活动水平（两者之比）
3. 最后给出的反馈（正面\负面）
4. 星期几（我们将使用一周为周期）。 该算法的目标是今天提供反馈，以鼓励明天的活动。

在训练算法时，计算机将有一个包含上述属性的特征向量和一个动作矩阵（第 t 天）。 要预测的输出是第二天（t+1）的活动水平。

根据每周和每天的行为，可以有两种类型的反馈：

每周目标 未实现 每日目标（第 (t+1) 天） 未实现 1 1+alpha 已实现 1+alpha 1 (alpha>0) 例如，如果在给定的一天消息鼓励活动，但与每周目标相比并没有达到。

为简单起见，初始学习算法将是线性的，直到收集到足够的数据。 也就是说，给定一个矩阵：

X =（人口统计数据、预期与实际活动、最后的反馈、星期几、行动）和一个显示第二天活动量的向量，如上表所示加权，用 Y 表示，我们将学习一个向量权重 w 使得：X * w = Y。

在项目的第二阶段，计算机将使用其他学习算法。 探索（在给定日期的随机行动）将在同一级别的两个阶段继续进行。