Optimising supervised machine learning algorithms predicting cigarette cravings and lapses for a smoking cessation just-in-time adaptive intervention (JITAI)

Questo studio ha dimostrato che, sebbene gli algoritmi di machine learning basati su valutazioni ecologiche momentanee possano identificare i momenti di rischio di ricaduta nel fumo con prestazioni modeste e variabili tra gli individui, l'ottimizzazione della frequenza delle domande e della quantità di dati non ha prodotto miglioramenti consistenti, suggerendo che tali modelli siano più efficaci se combinati con approcci basati su regole per le interventi adattivi just-in-time.

L'essenziale

🚭 L'Artigiano dell'Intelligenza: Come un'App cerca di prevedere la "voglia di fumare"

Immagina di voler smettere di fumare. È come cercare di attraversare un fiume in piena: a volte l'acqua è calma, a volte c'è una corrente fortissima che ti trascina via (quella è la voglia di fumare o il lapse, ovvero la ricaduta).

Gli scienziati di questo studio volevano costruire un "guardiano digitale" (un'applicazione intelligente) capace di prevedere esattamente quando arriverà quella corrente forte, così da darti un salvagente esattamente nel momento giusto. Questo tipo di aiuto si chiama JITAI (Intervento Adattivo in Tempo Reale).

Ma c'è un problema: per prevedere il futuro, il guardiano ha bisogno di informazioni. E qui nasce il dilemma: quanto deve essere "invadente" il guardiano?

1. Il Dilemma del "Radar" (La frequenza delle domande)

Per costruire questo guardiano, gli scienziati hanno chiesto a 37 persone di rispondere a dei sondaggi sul telefono.

• L'ipotesi iniziale: Più domande fai, più dati hai, più il guardiano è bravo. Quindi, pensavano di chiedere: "Come stai? Fumi? Sei stressato?" 16 volte al giorno (ogni ora che sei sveglio).
• La scoperta sorprendente: È successo qualcosa di strano. Per prevedere se qualcuno avrebbe fatto una ricaduta (fumato una sigaretta), chiedere meno domande (solo 3 o 4 al giorno) ha reso l'applicazione più precisa!
  • L'analogia: Immagina di cercare di capire il meteo. Se chiedi a un amico "Che tempo fa?" ogni minuto, potresti essere confuso da piccoli cambiamenti. Se gli chiedi solo 3 volte al giorno, lui ti dà un quadro più chiaro e stabile della situazione generale. Troppe domande, a volte, creano solo "rumore".

2. Cosa sta cercando il guardiano? (Ricaduta vs. Voglia)

Lo studio ha testato due tipi di previsioni:

1. La Ricaduta (Lapse): Hai acceso una sigaretta? (È un evento "sì/no", come un interruttore).
2. La Voglia (Craving): Quanto forte è la voglia? (È come un volume che sale e scende).

Risultato: L'applicazione è stata molto meglio nel prevedere se qualcuno avrebbe fumato (la ricaduta) rispetto a quanto forte fosse la voglia.

• Perché? Prevedere se qualcuno accenderà una sigaretta è come prevedere se pioverà. Prevedere quanto sarà forte la pioggia (la voglia) è molto più difficile perché è qualcosa che cambia continuamente e velocemente.

3. Il "Bagaglio" delle informazioni (Quante variabili usare?)

Gli scienziati si sono chiesti: "Dobbiamo chiedere tutto? (Mood, dolore, chi c'è con te, che fai, che mangi...)" oppure possiamo chiedere solo le cose importanti?

• Risultato: Hanno scoperto che togliere le informazioni "superflue" e tenere solo quelle essenziali (come l'umore, la voglia e la disponibilità di sigarette) non ha peggiorato le previsioni.
• L'analogia: È come preparare una zuppa. Non serve buttare dentro tutti gli ingredienti del frigo. Con 5 o 6 ingredienti chiave, la zuppa viene buona lo stesso. Questo è ottimo perché significa che l'app può essere più leggera e non stancare l'utente con troppe domande.

4. L'allenamento personale (Imparare da te o dagli altri?)

C'era un ultimo dubbio: "L'applicazione deve imparare solo dai dati di tutti gli altri fumatori (un modello generale), o deve anche studiare i dati della persona specifica che la sta usando?"

• Risultato: Per prevedere la ricaduta, avere un po' di dati personali (i primi 3 giorni di dati della persona) ha aiutato un po' a essere più precisi. Ma non è stato un miracolo. A volte, il modello "generale" (imparato da tutti) funzionava quasi uguale al modello "personale".
• Il messaggio: Non serve che l'app faccia un esame di laurea sulla tua vita prima di aiutarti. Può iniziare a funzionare subito basandosi su ciò che ha imparato da milioni di altri fumatori.

🏆 La Conclusione: Cosa significa per te?

Questo studio ci dice che l'Intelligenza Artificiale può essere un ottimo "guardiano" per chi vuole smettere di fumare, ma non è una sfera di cristallo perfetta.

1. Non serve essere invadenti: Chiedere troppe informazioni (16 volte al giorno) stanca l'utente e non aiuta molto. Meglio poche domande ben fatte (3-4 al giorno).
2. È meglio prevedere l'azione che l'emozione: È più facile capire quando qualcuno fumerà che capire quanto avrà voglia di farlo.
3. L'equilibrio è tutto: L'applicazione non deve essere perfetta al 100% per essere utile. Deve essere abbastanza buona da darti un consiglio nel momento giusto, senza diventare un peso.

In sintesi: Immagina un amico che ti chiama solo quando è davvero necessario per dirti: "Ehi, sembra che tu stia per ricadere, respira un attimo!". Questo studio ci ha insegnato come far sì che questo amico ti chiami al momento giusto, senza chiamarti 16 volte al giorno per chiederti come stai, rendendo l'esperienza più leggera e più efficace.

Sommario tecnico

Titolo dello Studio

Ottimizzazione degli algoritmi di machine learning supervisionato per la previsione di voglie e ricadute nel fumo, al fine di supportare un intervento adattivo in tempo reale (JITAI) per la cessazione del fumo.

1. Il Problema

Le Interventi Adattivi in Tempo Reale (Just-in-Time Adaptive Interventions - JITAI) mirano a fornire supporto tempestivo e personalizzato durante i momenti di alto rischio per prevenire le ricadute nel fumo. Tuttavia, esiste un compromesso critico da gestire:

• Raccolta dati vs. Carico utente: Per prevedere accuratamente i momenti di rischio, è necessaria una raccolta dati frequente (Ecological Momentary Assessment - EMA). Tuttavia, sondaggi troppo frequenti o lunghi aumentano il carico cognitivo, riducono l'aderenza e possono portare all'abbandono dell'intervento.
• Mancanza di linee guida: Non è chiaro quale sia la frequenza di campionamento ottimale, il numero di variabili predittive necessarie e se l'uso di dati specifici del partecipante (algoritmi "ibridi" o "warm-start") migliori le prestazioni rispetto ad algoritmi di gruppo.
• Obiettivo: Determinare come bilanciare il carico di valutazione (frequenza delle sonde, numero di predittori) con le prestazioni dell'algoritmo per un futuro JITAI per la cessazione del fumo.

2. Metodologia

Lo studio ha condotto un'analisi secondaria su dati EMA precedentemente raccolti da 37 partecipanti durante i primi 10 giorni del loro tentativo di smettere di fumare.

• Dati Originali: I partecipanti completavano 16 EMA al giorno (ogni ora di veglia) tramite un'app (m-Path), riportando umore, contesto, comportamenti, voglie e ricadute (lapse).
• Algoritmo: Sono stati utilizzati Random Forest (RF) per prevedere due esiti distinti:
  1. Ricadute (Lapses): Evento di fumo tra la sonda corrente e la successiva.
  2. Voglie elevate (High Cravings): Definite come un punteggio ≥ 7 su una scala Likert da 0 a 10.
• Variabili di Studio (Design Sperimentale):
  • Frequenza delle sonde (EMA): Confronto tra 16, 6, 5, 4 e 3 sonde al giorno (selezionate in modo quasi-casuale per coprire la giornata).
  • Selezione delle caratteristiche (Feature Selection): Confronto tra l'uso di tutti i predittori (57 variabili) e un sottoinsieme ottimale selezionato tramite Recursive Feature Elimination with Cross-Validation (RFE-CV).
  • Dati di addestramento: Confronto tra algoritmi di livello di gruppo (solo dati di altri partecipanti) e algoritmi ibridi (che includono il 10%, 20% o 30% dei dati cronologici del partecipante stesso nella fase di addestramento).
• Metriche di Valutazione:
  • F1-score: Media armonica di precisione e richiamo (bilancia falsi positivi e falsi negativi).
  • ROC-AUC: Capacità discriminativa complessiva del modello.
  • Analisi statistica tramite modelli lineari misti (GLMM) per tenere conto del clustering nei dati.

3. Risultati Chiave

Prestazioni Generali

Le prestazioni sono state modeste in media e altamente variabili tra gli individui. Molte configurazioni sono rimaste al di sotto delle soglie minime accettabili (specialmente per l'F1-score < 0.5), sebbene i valori ROC-AUC fossero generalmente superiori al caso.

Effetto della Frequenza delle Sonde (EMA)

• Per le Ricadute (Lapses): Contrariamente alle aspettative, ridurre la frequenza delle sonde ha migliorato l'F1-score.
  • 16 sonde: F1-score mediano 0.254.
  • 3 sonde: F1-score mediano 0.588.
  • Il ROC-AUC è rimasto stabile o è diminuito leggermente con meno sonde, ma non in modo monotono.
• Per le Voglie (Cravings): La riduzione della frequenza ha causato un declino sistematico e significativo in entrambe le metriche (F1-score e ROC-AUC).
  • Questo suggerisce che le voglie, essendo fluttuanti, richiedono una densità di dati maggiore per essere previste accuratamente rispetto alle ricadute (che sono eventi discreti).

Selezione delle Caratteristiche (Feature Selection)

• Ricadute: La riduzione del numero di predittori ha avuto un impatto trascurabile sulle prestazioni.
• Voglie: La selezione delle caratteristiche ha portato a un leggero peggioramento delle prestazioni.
• Implicazione: È possibile utilizzare modelli più parsimoniosi (meno domande) per prevedere le ricadute senza perdere accuratezza.

Dati Specifici del Partecipante (Algoritmi Ibridi)

• Ricadute: L'inclusione di dati personali nel training ha migliorato l'F1-score (migliore equilibrio precisione-richiamo), ma non ha migliorato significativamente il ROC-AUC (capacità discriminativa).
• Voglie: L'inclusione di dati personali ha peggiorato le prestazioni (sia F1-score che ROC-AUC) rispetto agli algoritmi di gruppo.
• Conclusione: La personalizzazione ("warm-start") non garantisce prestazioni superiori e può essere controproducente per certi esiti in questo contesto.

4. Contributi e Significatività

• Ottimizzazione del Carico Utente: Lo studio dimostra che per la previsione delle ricadute, è possibile ridurre drasticamente il numero di sondaggi giornalieri (da 16 a 3-6) senza compromettere, e anzi migliorando in alcuni casi, la capacità del modello di identificare correttamente gli eventi (F1-score). Questo è cruciale per la fattibilità e l'accettabilità dei JITAI nel mondo reale.
• Distinzione tra Esiti: Emerge una chiara differenza tra la previsione di stati continui/fluttuanti (voglie) e eventi discreti (ricadute). Le voglie sono più difficili da prevedere con dati a bassa frequenza.
• Approccio Ibrido vs. Gruppo: I risultati mettono in discussione l'assunzione comune che gli algoritmi personalizzati (ibridi) siano sempre superiori. In questo contesto, algoritmi di gruppo ben calibrati potrebbero essere sufficienti e più semplici da implementare, evitando problemi di privacy e complessità computazionale legati al ri-addestramento continuo.
• Raccomandazioni Pratiche:
  • Per un JITAI basato su ML, un modello di gruppo focalizzato sulla previsione delle ricadute (non delle voglie) utilizzando 3-6 sonde al giorno e un set di predittori ridotto sembra essere l'approccio più pragmatico.
  • L'uso esclusivo di ML per la decisione potrebbe non essere sufficiente; si raccomanda di combinare gli output degli algoritmi con regole basate su esperti o soglie dinamiche per gestire l'alta variabilità inter-individuale.

In sintesi, lo studio fornisce evidenze empiriche per progettare JITAI per la cessazione del fumo che siano meno invasivi per l'utente mantenendo una capacità predittiva accettabile, suggerendo che "meno dati" (in termini di frequenza) possono talvolta significare "migliori prestazioni" per specifici obiettivi comportamentali.