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

Résumé technique : Efficacité d'une intervention par chatbot intégré à un LLM pour la formation d'habitudes d'activité physique chez les adultes préhypertendus

Énoncé du problème
La préhypertension est un facteur de risque critique pour l'hypertension et les maladies cardiovasculaires, affectant une partie importante de la population adulte. Bien que l'activité physique (AP) soit une intervention non pharmacologique éprouvée pour la gestion de la pression artérielle, l'adhésion à long terme reste un défi majeur. Les interventions existantes reposent souvent sur des programmes d'exercice structurés ou des conseils standardisés qui ciblent les processus réflexifs (ex. : connaissances, intention, auto-efficacité) mais ne parviennent pas à soutenir les processus réflexes nécessaires à la formation d'habitudes (ex. : associations automatiques entre stimulus et comportement, stabilité du contexte). De plus, bien que des outils de santé numérique comme les wearables et les chatbots existent, il existe peu de preuves sur l'efficacité de l'intégration des modèles de langage de grande taille (LLM) pour fournir un soutien adaptatif, sensible au contexte et continu pour un changement de comportement d'AP durable chez les adultes préhypertendus. Les études actuelles basées sur les LLM sont souvent de courte durée, se concentrant sur la faisabilité plutôt que sur les résultats comportementaux à long terme ou les mécanismes de formation d'habitudes.

Méthodologie
Cet article présente le protocole d'un essai contrôlé randomisé (ECR) pragmatique, parallèle, à deux bras, de 12 mois, avec une étude longitudinale intensive de 3 mois intégrée. L'essai est enregistré auprès du Chinese Clinical Trials Registry (ChiCTR2400085073).

• Participants : 118 adultes (âgés de 18 à 60 ans) présentant une préhypertension (PAS 120–139 mmHg ou PAD 80–89 mmHg) et un faible niveau d'activité physique seront recrutés auprès de deux grandes entreprises technologiques à Pékin et via les réseaux sociaux.
• Design :
  • Groupe d'intervention : Les participants reçoivent une montre connectée Huawei Watch D et accèdent à HabitBot, un chatbot intégré à un LLM délivré via un mini-programme WeChat. HabitBot est fondé sur l'approche de processus d'action pour la santé (HAPA) et la théorie de la formation d'habitudes. Il utilise une conception centrée sur l'utilisateur pour fournir des prescriptions d'AP personnalisées, des conseils de santé et un feedback motivationnel. Le système intègre les profils des participants, les données des wearables en temps réel (pas, fréquence cardiaque, tension artérielle) et l'historique des conversations pour générer des réponses adaptatives. Il soutient les techniques de changement de comportement telles que la fixation d'objectifs, la planification de l'action, la résolution de problèmes et l'auto-surveillance.
  • Groupe témoin : Les participants reçoivent la même montre connectée Huawei Watch D, une prescription d'AP sur mesure unique de la part d'un infirmier (basée sur les directives de l'ACSM), et l'accès à une application de santé standard (CoHealth) fournissant une éducation générale sur l'AP, l'alimentation et le sommeil.
• Randomisation : La randomisation s'effectue au niveau du groupe (cluster) pour les participants recrutés en entreprise (pour gérer les contraintes logistiques) et au niveau individuel pour les recrues des réseaux sociaux.
• Résultats (Outcomes) :
  • Primaire : Nombre moyen de pas quotidiens (mesuré objectivement via la montre connectée) et niveaux d'activité physique (via l'IPAQ).
  • Secondaires : Pression artérielle, composition corporelle et facteurs psychologiques liés aux voies réflexives (basées sur HAPA : intention, auto-efficacité, planification) et réflexes (basées sur SRBAI : force de l'habitude, stabilité du contexte, récompense intrinsèque).
  • Mesures de processus : Utilisabilité (Échelle d'utilisabilité du chatbot), engagement et adhérence.
• Collecte de données : Les évaluations ont lieu à l'inclusion, à 3, 6 et 12 mois. Une évaluation écologique momentanée (EMA) intensive est réalisée quotidiennement pendant les 3 premiers mois pour capturer les changements temporels des mécanismes de formation d'habitudes.
• Analyse : Analyse en intention de traiter utilisant des modèles à effets mixtes pour tenir compte des mesures répétées et du regroupement (clustering). Des analyses de médiation exploreront comment les changements dans les voies réflexives et réflexes influencent les résultats d'AP.

Contributions clés
L'article propose un nouveau cadre pour combler la lacune de la maintenance de l'AP à long terme en intégrant trois éléments spécifiques :

1. Adaptativité pilotée par LLM : Contrairement aux chatbots basés sur des règles, HabitBot utilise un LLM pour gérer les dialogues multi-tours, la compréhension du contexte et la résolution dynamique de problèmes, lui permettant de s'ajuster aux barrières de l'utilisateur et à l'évolution de son état de santé en temps réel.
2. Focus sur la double voie : L'intervention cible explicitement les processus réflexifs (motivationnels) et réflexes (habituels), visant à faire passer les utilisateurs de l'exercice intentionnel à l'habitude automatique.
3. Design longitudinal mécaniste : En intégrant une évaluation quotidienne intensive de 3 mois au sein d'un essai de 12 mois, l'étude vise à élucider les mécanismes temporels de la formation d'habitudes, plutôt que de mesurer uniquement les résultats finaux.

Résultats
Comme ce document est un protocole d'étude, il ne rapporte pas de résultats empiriques, de découvertes statistiques ou de données d'efficacité. La section « Résultats » de l'article expose les contributions anticipées : l'étude devrait apporter des éclairages sur l'efficacité d'HabitBot pour promouvoir les habitudes d'AP et améliorer la santé chez les adultes préhypertendus, ainsi que sur les mécanismes sous-jacents à la formation d'habitudes grâce à l'analyse de données longitudinales.

Signification et affirmations
Les auteurs affirment que cette étude répond à trois lacunes critiques de la littérature actuelle :

1. L'absence d'interventions intégrant des conseils d'AP quantifiés, une surveillance objective par wearable et un soutien comportemental continu dans un système unique.
2. La dépendance excessive aux déterminants réflexifs dans les interventions d'AP, avec une attention insuffisante portée aux processus de formation d'habitudes réflexes.
3. La rareté des preuves rigoureuses et à long terme concernant l'efficacité des chatbots intégrés aux LLM pour un changement de comportement durable.

L'étude postule que, en cas de succès, les conclusions aideront à façonner les futures interventions intégrées aux LLM pour la gestion des maladies chroniques. En examinant à la fois les voies réflexives et réflexes, la recherche vise à faire progresser les stratégies de santé numérique pour réduire le risque cardiovasculaire, allant au-delà de la simple motivation pour soutenir l'initiation automatique de comportements sains dans la vie quotidienne. Les auteurs maintiennent un ton modeste, reconnaissant des limites telles que l'impossibilité de masquer l'intervention aux participants, les erreurs de mesure potentielles des données des wearables et la spécificité démographique (travailleurs du secteur technologique à Pékin), ce qui peut limiter la généralisabilité.