此页面是自动翻译的，不保证翻译的准确性。请参阅 英文版 对于源文本。

基于机器的算法可增加体力活动和持续的用户参与度

2025年4月21日 更新者：Western University, Canada

基于机器的算法，用于调整活动目标，以增加 Spout 用户的体力活动并维持用户参与度

这项为期 12 周的研究比较了 Sprout 应用程序中机器学习算法生成的个性化每日步数目标与成人 10,000 步的固定每日步数目标的有效性。 参与者将通过 Sprout 应用程序招募，经过 1 周的磨合期后，他们将被分配到干预组或对照组。 干预组将根据其历史步数数据获得自适应目标，而对照组将有一个固定目标。 两个群体都将获得经济奖励。 本研究旨在通过研究如何使用经济激励和自适应目标设定设计来提高应用程序用户的身体活动水平，为衡量日常步数和应用程序参与度（即花在应用程序上的时间、应用程序打开次数）变化的未来干预措施提供信息，由机器学习算法通知。

研究概览

地位

完全的

条件

干预/治疗

详细说明

研究团队将与 Telus Health 和 Sprout 应用程序（iOS 和 Android 版本）合作，该应用程序旨在通过允许参与者跟踪他们的每日步数并主动将其与每日目标进行比较来增加身体活动。 下载 Sprout 后，用户可以打开应用程序并浏览登陆页面和主页。 首页上会显示当天完成的步数以及用户每日步数目标。 参与者可以单击主页顶部的两个图标。 如果用户单击左侧图标，将显示历史页面。 历史记录页面允许参与者通过在颜色编码的条形图上显示每日步数和每日目标来跟踪他们过去一周的表现。 绿色条表示当天完成步数目标，红色条表示当天未能实现步数目标。 iPhone 和 Android 设备中的内置健康芯片会收集步数数据，并且 iPhone 和 Android 健康芯片收集的步数的准确性已在多项研究中得到验证，其准确性与 ActiGraph 相当。 Sprout 应用程序首先将步数和目标数据保存在手机本地，然后在手机处于活动状态时每 10 分钟与服务器同步一次。 应用程序的推送通知也被激活（如果由用户激活），并且使用标准的 iOS 和 Android 推送通知。 推送通知在登陆页面和手机上的最近通知选项卡中可见。

符合资格的参与者在下载应用程序后将开始为期 1 周的磨合期。 磨合期的目的是收集基准每日步数，并评估参与者是否能够遵守定期使用 Sprout 应用程序所需的要求。 在磨合期，对照组和干预组的所有参与者将在第 1 天到第 7 天收到相同的每日步数目标，分别为 3000、3500、4000、4500、5000、5500 和 6000 步。 机器学习算法不会用于计算干预组参与者在磨合期的步数目标。 在磨合期将使用动态增加的步数目标来吸引参与者定期使用该应用程序。 此外，所有参与者都将在上午 8 点收到推送通知，提供当天的步数目标，如果参与者在晚上 8 点之前完成目标，则会发送另一条推送通知，祝贺该参与者实现当天的步数目标。 两组磨合期相同的目标用于建立初始体力活动的参考水平，用于统计分析，比较磨合期与12周之间每日步数的差异。组。 机器学习算法将使用磨合期收集的数据来计算干预期的步数目标。 这是一种有效的方法，因为磨合数据将表明不同参与者的偏好。 所有参与者将被分为两组中的一组。 应用程序用户的分组分配将由Telus Health在磨合期后实施。 经过 1 周的磨合期后，对照组的参与者将通过 Sprout 应用程序获得恒定的每日步数目标，该目标设置为每天 10,000 步。 参与者将在每天上午 8:00 收到推送通知，提供当天的步数目标（10,000 步），如果参与者在晚上 8:00 之前实现目标，则会再次发送推送通知，祝贺参与者达到目标他们当天的步数目标（10,000 步）。

经过 1 周的磨合期后，干预组的参与者将通过 Sprout 应用程序收到自适应个性化的步数目标。 每日步数目标将使用机器学习根据用户的完整历史记录（过去的步数和目标）计算得出。 机器学习将每天被应用，以减少未来步骤和目标的差异。 参与者将在每天上午 8:00 收到推送通知，提供当天的步数目标，如果参与者在晚上 8:00 之前完成目标，则会发送另一条推送通知，祝贺参与者实现了当天的步数目标天。 机器学习将自适应地计算个性化的步数目标，这些目标根据每个参与者过去的所有步数数据和目标来预测，以最大化每个参与者未来的身体活动。 机器学习单独应用于每个参与者，它由两个主要步骤组成。 第一步是使用所有参与者的数据构建一个定量模型，在给定一组规定的步骤目标的情况下，预测参与者未来将采取多少步，并且该模型的一个重要方面是描述如何进行的组件实现当前目标可以增加实现未来目标的可能性。 第二步是使用此定量模型来选择一系列步骤目标，以最大化预测的未来步数。 为了使更新步数目标的过程具有适应性，每天都会应用机器学习（使用所有用户过去的数据）来生成未来一天的步数目标。 此外，机器学习计算出的未来一天的步数目标并不是恒定的，而是根据模型预测增加或减少。 Sprout 应用程序将自动跟踪参与者每天的步数，并提供目标，无论他们在 12 周的研究期间对应用程序的参与程度如何。 由于数据是回顾性分析的，因此不会向参与者提供“研究结束”信函。 然而，在注册研究程序后，所有用户都提供了书面知情同意书，同意收集和分析他们的数据。

研究类型

介入性

注册 (实际的)

1249

阶段

  • 不适用

联系人和位置

本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。

学习地点

  • 加拿大
    • Ontario
      • London、Ontario、加拿大
        • Western University

参与标准

研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。

资格标准

适合学习的年龄

  • 成人
  • 年长者

接受健康志愿者

是的

描述

纳入标准：

  • 18 岁或以上的成年人
  • 用户打算在未来 12 周内进行身体活动
  • 拥有智能手机设备
  • 愿意连续 12 周每天安装和使用 Sprout 应用程序（需要互联网连接）
  • 英语口语和阅读能力

排除标准：

  • 在体育活动计划中需要特别注意的已知健康状况或身体问题
  • 计划在未来 3 个月内进行国际旅行，这可能会干扰手机数据的日常服务器上传
  • 过去 6 个月内怀孕或分娩
  • 目前参与的生活方式改变计划或研究可能会混淆研究结果

学习计划

本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。

研究是如何设计的？

设计细节

  • 主要用途：治疗
  • 分配：随机化
  • 介入模型：并行分配
  • 屏蔽：单身的

武器和干预

参与者组/臂
干预/治疗
实验性的：自适应步骤目标（干预）
“智能模式”功能使用专有的ML算法来生成16个用户群集，以每天的步长计数模式从过去两年中（2020年3月1日至2022年3月1日至2022年3月1日；这些用户的特征）。 然后，该算法将参与者的五周基线的时间序列数据与16个用户群集模式的存储库进行了比较，以确定将分配哪个集群。 一旦分配，就计算了比例的差异（上周的平均每日步数比该周的平均每日步数的比率比该周前两周超过步骤计数的平均每日步数的比率[例如，8000步/7500步= 1.067步= 1.067 vs. 8000 vs. 8000 steps/9500步骤/9500步骤= 0.8421]）。 卡方检验用于评估差异的统计显着性（p <0.05）。 这样做是为了确定下一个计算的目标是否会上升，下降或保持不变。
行为的：自适应步骤目标（干预）
接收自动个性化的每日步数目标，
有源比较器：静态步骤目标（控制）
在整个12周的干预期间控制中，他们的静态每日步进目标继续进行，相当于其基准期每周平均每日步数。 控制参与者在干预期间的每个星期一上午8:00收到了应用外推动通知，这使他们想起了他们的静态每日步骤目标。 如果参与者在晚上8:00之前实现了他们的日常进球。在任何一天，发出了推动通知，以祝贺他们达到当天的目标。 晚上8:00没有发出通知。实现每日步骤目标的参与者以积分的形式获得了FI的奖励（即“ Sproutbucks”）。 他们可以兑换“ Sproutbucks”“平台”（例如，给Starbuckstm，BestBuytm，iTunestm，visatm）或“非平台”（例如，雇主的特定于健身成员折扣的代金券）。 “ Sproutbucks”的价值是公司独有的，每天实现的目标从0.00美元到1.00美元不等。
行为的：静态步骤目标（控制）
接收个性化的静态每日步骤目标。

研究衡量的是什么？

主要结果指标

结果测量
措施说明
大体时间
步数
大体时间：17周
从 5 周磨合期到 12 周随访期，接受自适应每日步数目标的组与接受非自适应目标的组每日步数的相对变化。
17周

次要结果测量

结果测量
措施说明
大体时间
应用打开次数、应用总时间、打开页面数
大体时间：12周
在整个 12 周的随访期内，自适应目标组与非自适应目标组的参与水平（如标题中所述）存在差异。
12周

合作者和调查者

在这里您可以找到参与这项研究的人员和组织。

赞助

Western University, Canada

出版物和有用的链接

负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。

一般刊物

研究记录日期

这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。

研究主要日期

学习开始 (实际的)

2023年1月1日

初级完成 (实际的)

2025年3月1日

研究完成 (实际的)

2025年3月24日

研究注册日期

首次提交

2023年7月29日

首先提交符合 QC 标准的

2024年4月24日

首次发布 (实际的)

2024年4月29日

研究记录更新

最后更新发布 (实际的)

2025年4月25日

上次提交的符合 QC 标准的更新

2025年4月21日

最后验证

2024年4月1日

更多信息

与本研究相关的术语

关键字

其他研究编号

  • 123632

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)？

不

IPD 计划说明

所有数据均无法识别，仅呈现结果。

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

在美国制造并从美国出口的产品

不

此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.

健康行为的临床试验

搜索类似试验

赞助者和合作者

医疗条件

药物干预

CROs by country

CROs in Bulgaria

条件

罕见疾病

药物干预

膳食补充剂

赞助者/合作者

地点

订阅