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

Resumen Técnico: Efectividad de una Intervención de Chatbot Integrado con LLM para la Formación de Hábitos de Actividad Física en Adultos Prehipertensos

Planteamiento del Problema
La prehipertensión es un factor de riesgo crítico para la hipertensión y las enfermedades cardiovasculares, que afecta a una parte significativa de la población adulta. Si bien la actividad física (AF) es una intervención no farmacológica probada para el control de la presión arterial, la adherencia a largo plazo sigue siendo un desafío importante. Las intervenciones existentes suelen depender de programas de ejercicio estructurados o consejos estandarizados que se centran en procesos reflexivos (p. ej., conocimiento, intención, autoeficacia), pero no logran apoyar los procesos reflexivos necesarios para la formación de hábitos (p. ej., asociaciones entre la señal y la conducta, estabilidad del contexto). Además, aunque existen herramientas de salud digital como dispositivos portátiles (wearables) y chatbots, existe evidencia limitada sobre la efectividad de la integración de Modelos de Lenguaje de Gran Escala (LLM) para proporcionar un apoyo adaptativo, sensible al contexto y continuo para el cambio de conducta de AF sostenido en adultos prehipertensos. Los estudios actuales basados en LLM suelen ser a corto plazo, centrándose en la viabilidad más que en los resultados conductuales a largo plazo o en los mecanismos de formación de hábitos.

Metodología
Este documento describe el protocolo para un Ensayo Controlado Aleatorizado (ECA) pragmático, paralelo, de dos brazos y de 12 meses de duración, con un estudio longitudinal intensivo de 3 meses integrado. El ensayo está registrado en el Registro Chino de Ensayos Clínicos (ChiCTR2400085073).

• Participantes: Se reclutarán 118 adultos (de 18 a 60 años) con prehipertensión (PAS 120–139 mmHg o PAD 80–89 mmHg) y niveles bajos de actividad física de dos grandes empresas tecnológicas en Beijing y a través de redes sociales.
• Diseño:
  • Grupo de Intervención: Los participantes reciben un reloj inteligente Huawei Watch D y acceso a HabitBot, un chatbot integrado con LLM entregado a través de un mini-programa de WeChat. HabitBot se fundamenta en el Enfoque de Proceso de Acción para la Salud (HAPA) y en la Teoría de la Formación de Hábitos. Utiliza un diseño centrado en el usuario para ofrecer prescripciones de AF personalizadas, consejos de salud y retroalimentación motivacional. El sistema incorpora perfiles de participantes, datos de wearables en tiempo real (pasos, frecuencia cardíaca, presión arterial) e historial de conversación para generar respuestas adaptativas. Soporta técnicas de cambio de conducta como el establecimiento de metas, la planificación de acciones, la resolución de problemas y el automonitoreo.
  • Grupo de Control: Los participantes reciben el mismo reloj inteligente Huawei Watch D, una prescripción de AF personalizada presencial de una sola vez (basada en las guías de la ACSM) y acceso a una aplicación de salud estándar (CoHealth) que proporciona educación general sobre AF, dieta y sueño.
• Aleatorización: La aleatorización ocurre a nivel de grupo (cluster) para los participantes reclutados en empresas (para gestionar restricciones logísticas) y a nivel individual para los reclutados por redes sociales.
• Resultados (Outcomes):
  • Primario: Promedio de pasos diarios (medido objetivamente mediante el reloj inteligente) y niveles de actividad física (vía IPAQ).
  • Secundarios: Presión arterial, composición corporal y factores psicológicos relacionados con las vías reflexivas (basadas en HAPA: intención, autoeficacia, planificación) y las vías reflexivas (basadas en SRBAI: fuerza del hábito, estabilidad del contexto, recompensa intrínseca).
  • Medidas de Proceso: Usabilidad (Escala de Usabilidad de Chatbot), compromiso y adherencia.
• Recolección de Datos: Las evaluaciones se realizan al inicio (baseline), a los 3, 6 y 12 meses. Se realiza una Evaluación Ecológica Momentánea (EMA) intensiva diaria durante los primeros 3 meses para capturar los cambios temporales en los mecanismos de formación de hábitos.
• Análisis: Análisis por intención de tratar utilizando modelos de efectos mixtos para tener en cuenta las medidas repetidas y la agrupación (clustering). Los análisis de mediación explorarán cómo los cambios en las vías reflexivas y reflexivas influyen en los resultados de la AF.

Contribuciones Clave
El artículo propone un marco novedoso para abordar la brecha en el mantenimiento de la AF a largo plazo integrando tres elementos específicos:

1. Adaptabilidad impulsada por LLM: A diferencia de los chatbots basados en reglas, HabitBot utiliza un LLM para manejar diálogos de múltiples turnos, comprensión del contexto y resolución dinámica de problemas, lo que le permite ajustarse a las barreras del usuario y al cambio de estado de salud en tiempo real.
2. Enfoque de Doble Vía: La intervención apunta explícitamente tanto a los procesos reflexivos (motivacionales) como a los reflexivos (habituales), con el objetivo de transicionar a los usuarios de la intención de hacer ejercicio hacia el hábito automático.
3. Diseño Longitudinal Mecanicista: Al integrar una evaluación diaria intensiva de 3 meses dentro de un ensayo de 12 meses, el estudio pretende dilucidar los mecanismos temporales de la formación de hábitos, más allá de medir simplemente los resultados finales.

Resultados
Como este documento es un protocolo de estudio, no reporta resultados empíricos, hallazgos estadísticos o datos de eficacia. La sección de "Resultos" de este documento describe las contribuciones previstas: se espera que el estudio proporcione información sobre la efectividad de HabitBot para promover los hábitos de AF y mejorar la salud entre adultos prehipertensos, así como para explorar los mecanismos subyacentes a la formación de hábitos mediante el análisis de datos longitudinales.

Significancia y Reivindicaciones
Los autores afirman que este estudio aborda tres brechas críticas en la literatura actual:

1. La falta de intervenciones que integren guía de AF cuantificada, monitoreo objetivo de wearables y apoyo conductual continuo en un solo sistema.
2. La dependencia excesiva de los determinantes reflexivos en las intervenciones de AF, con una atención insuficiente a los procesos reflexivos de formación de hábitos.
3. La escasez de evidencia rigurosa y a largo plazo sobre la eficacia de los chatbots integrados con LLM para el cambio de conducta sostenido.

El estudio postula que, si tiene éxito, los hallazgos ayudarán a dar forma a futuras intervenciones integradas con LLM para el manejo de enfermedades crónicas. Al examinar tanto las vías reflexivas como las reflexivas, la investigación pretende avanzar en las estrategias de salud digital para reducir el riesgo cardiovascular, yendo más allá de la simple motivación para apoyar el inicio automático de conductas saludables en la vida diaria. Los autores mantienen un tono modesto, reconociendo limitaciones como la imposibilidad de cegar a los participantes respecto a la intervención, posibles errores de medición en los datos de los wearables y la especificidad demográfica (trabajadores tecnológicos de Beijing), lo que puede limitar la generalización.