Effectiveness of an LLM-integrated Chatbot Intervention for Physical Activity Habit Formation in Prehypertensive Adults: A 12-Month Randomized Controlled Trial Protocol

Technisches Resümee: Wirksamkeit einer LLM-integrierten Chatbot-Intervention zur Bildung von körperlicher Aktivitätsgewohnheiten bei prähypertensiven Erwachsenen

Problemstellung
Prähypertonie ist ein kritischer Risikofaktor für Hypertonie und Herz-Kreislauf-Erkrankungen, der einen signifikanten Teil der erwachsenen Bevölkerung betrifft. Während körperliche Aktivität (PA) eine bewährte nicht-pharmakologische Intervention zum Management des Blutdrucks darstellt, bleibt die langfristige Adhärenz eine große Herausforderung. Bestehende Interventionen stützen sich oft auf strukturierte Trainingsprogramme oder standardisierte Ratschläge, die reflektive Prozesse (z. B. Wissen, Intention, Selbstwirksamkeit) adressieren, aber die reflexiven Prozesse vernachlässigen, die für die Gewohnheitsbildung notwendig sind (z. B. automatische Reiz-Verhaltens-Assoziationen, Kontextstabilität). Darüber hinaus existieren zwar digitale Gesundheitswerkzeuge wie Wearables und Chatbots, es gibt jedoch nur begrenzte Evidenz über die Wirksamkeit der Integration von Large Language Models (LLMs), um eine adaptive, kontextsensitive und kontinuierliche Unterstützung für eine nachhaltige PA-Verhaltensänderung bei prähypertensen Erwachsenen zu gewährleisten. Aktuelle LLM-basierte Gesundheitsstudien sind oft kurzfristig angelegt und konzentrieren sich auf die Machbarkeit statt auf langfristige Verhaltensergebnisse oder die Mechanismen der Gewohnheitsbildung.

Methodik
Dieses Papier skizziert das Protokoll für eine 12-monatige, zweiarmiige, parallele, pragmatische randomisierte kontrollierte Studie (RCT) mit einer eingebetteten 3-monatigen intensiven Längsschnittstudie. Die Studie ist beim Chinese Clinical Trials Registry (ChiCTR2400085073) registriert.

• Teilnehmer: Es werden 118 Erwachsene (im Alter von 18–60 Jahren) mit Prähypertonie (SBP 120–139 mmHg oder DBP 80–89 mmHg) rekrutiert, die aus zwei großen Technologieunternehmen in Peking sowie über soziale Medien stammen.
• Design:
  • Interventionsgruppe: Die Teilnehmer erhalten eine Huawei Watch D Smartwatch und Zugriff auf HabitBot, einen LLM-integrierten Chatbot, der über ein WeChat Mini-Programm bereitgestellt wird. HabitBot basiert auf dem Health Action Process Approach (HAPA) und der Gewohnheitsbildungstheorie. Er nutzt ein nutzerzentriertes Design, um personalisierte PA-Verschreibungen, Gesundheitsempfehlungen und motivationales Feedback zu liefern. Das System integriert Teilnehmerprofile, Echtzeit-Wearable-Daten (Schritte, Herzfrequenz, Blutdruck) und den Gesprächsverlauf, um adaptive Antworten zu generieren. Es unterstützt Techniken der Verhaltensänderung wie Zielsetzung, Aktionsplanung, Problemlösung und Selbstüberwachung.
  • Kontrollgruppe: Die Teilnehmer erhalten dieselbe Huawei Watch D Smartwatch, eine einmalige, maßgeschneiderte PA-Verschreibung durch eine Pflegekraft (basierend auf ACSM-Leitlinien) sowie Zugriff auf eine Standard-Gesundheits-App (CoHealth), die allgemeine Informationen zu PA, Ernährung und Schlaf bietet.
• Randomisierung: Die Randomisierung erfolgt auf Cluster-Ebene für die über Unternehmen rekrutierten Teilnehmer (um logistische Einschränkungen zu bewältigen) und auf individueller Ebene für die über soziale Medien rekrutierten Personen.
• Ergebnisse (Outcomes):
  • Primär: Durchschnittliche tägliche Schrittzahl (objektiv gemessen via Smartwatch) und das Niveau der körperlichen Aktivität (via IPAQ).
  • Sekundär: Blutdruck, Körperzusammensetzung und psychologische Faktoren im Zusammenhang mit reflektiven (HAPA-basiert: Intention, Selbstwirksamkeit, Planung) und reflexiven (SRBAI-basiert: Gewohnheitsstärke, Kontextstabilität, intrinsische Belohnung) Pfaden.
  • Prozessmaße: Usability (Chatbot Usability Scale), Engagement und Adhärenz.
• Datenerhebung: Die Erhebungen erfolgen zu den Zeitpunkten Baseline, 3, 6 und 12 Monate. Eine intensive ökologische Momentaufnahme (Ecological Momentary Assessment, EMA) wird während der ersten 3 Monate täglich durchgeführt, um die temporalen Veränderungen der Mechanismen der Gewohnheitsbildung zu erfassen.
• Analyse: Intention-to-treat-Analyse mittels gemischter Effektmodelle, um wiederholte Messungen und Clustering zu berücksichtigen. Mediationsanalysen untersuchen, wie Veränderungen in reflektiven und reflexiven Pfaden die PA-Ergebnisse beeinflussen.

Wesentliche Beiträge
Das Papier schlägt einen neuartigen Rahmen vor, um die Lücke in der langfristigen PA-Aufrechterhaltung durch die Integration dreier spezifischer Elemente zu schließen:

1. LLM-gesteuerte Adaptivität: Im Gegensatz zu regelbasierten Chatbots nutzt HabitBot ein LLM, um mehrstufige Dialoge, Kontextverständnis und dynamische Problemlösungen zu bewältigen, wodurch es in der Lage ist, sich an Barrieren der Nutzer und den sich ändernden Gesundheitsstatus in Echtzeit anzupassen.
2. Dual-Pathway-Fokus: Die Intervention zielt explizit sowohl auf reflektive (motivationale) als auch auf reflexive (gewohnheitsmäßige) Prozesse ab, mit dem Ziel, die Nutzer vom intentionellen Training zur automatischen Gewohnheit zu führen.
3. Mechanistisches Längsschnittdesign: Durch die Einbettung einer 3-monatigen intensiven täglichen Bewertung innerhalb einer 12-monatigen Studie zielt die Untersuchung darauf ab, die temporalen Mechanismen der Gewohnheitsbildung zu entschlüsseln, anstatt lediglich Endzustandsergebnisse zu messen.

Ergebnisse
Da es sich bei diesem Dokument um ein Studienprotokoll handelt, werden keine empirischen Ergebnisse, statistischen Befunde oder Effizienzdaten berichtet. Der Abschnitt „Ergebnisse“ des Papers skizziert die erwarteten Beiträge: Die Studie soll Erkenntnisse über die Wirksamkeit von HabitBot bei der Förderung von PA-Gewohnheiten und der Verbesserung der Gesundheit bei prähypertensen Erwachsenen liefern sowie die Mechanismen der Gewohnheitsbildung durch Längsschnittdatenanalyse untersuchen.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Studie drei kritische Lücken in der aktuellen Literatur adressiert:

1. Das Fehlen von Interventionen, die quantifizierte PA-Anleitungen, objektive Wearable-Überwachung und kontinuierliche Verhaltensunterstützung in einem einzigen System integrieren.
2. Die übermäßige Abhängigkeit von reflektiven Determinanten in PA-Interventionen bei unzureichender Beachtung reflexiver Gewohnheitsbildungsprozesse.
3. Den Mangel an strengen, langfristigen Belegen hinsichtlich der Wirksamkeit von LLM-integrierten Chatbots für eine nachhaltige Verhaltensänderung.

Die Studie geht davon aus, dass die Ergebnisse im Erfolgsfall dazu beitragen werden, zukünftige LLM-integrierte Interventionen für das Management chronischer Krankheiten zu gestalten. Durch die Untersuchung sowohl reflektiver als auch reflexiver Pfade zielt die Forschung darauf ab, digitale Gesundheitsstrategien zur Reduzierung des kardiovaskulären Risikos voranzutreiben, indem sie über die bloße Motivation hinausgeht und die automatische Initiierung gesunder Verhaltensweisen im Alltag unterstützt. Die Autoren wahren einen bescheidenen Ton und räumen Einschränkungen ein, wie etwa die Unfähigkeit, die Teilnehmer gegenüber der Intervention zu verblinden, potenzielle Messfehler in den Wearable-Daten und die spezifische Demografie (in Peking ansässige Tech-Arbeiter), welche die Generalisierbarkeit einschränken könnte.