Hybrid digital intervention cohort in university students: feasibility pilot study using smartphone- and smartwatch-based monitoring and ecological momentary interventions

Questo studio pilota di fattibilità dimostra che un disegno di intervento digitale ibrido che combina il monitoraggio passivo tramite smartwatch/smartphone con interventi ecologici momentanei sequenziali è fattibile e accettabile per promuovere comportamenti salutari relativi al sonno, all'attività fisica e al tempo trascorso davanti agli schermi tra gli studenti universitari, nonostante i declini osservati nel coinvolgimento nel tempo.

L'essenziale

Immagina un campus universitario come una stazione ferroviaria affollata e caotica. Gli studenti sono i viaggiatori, spesso in ritardo, stanchi e incollati ai loro telefoni. Hanno bisogno di aiuto per rimettersi sulla retta via per quanto riguarda sonno, esercizio fisico e tempo trascorso davanti agli schermi, ma i consigli tradizionali (come un opuscolo in sala d'attesa) vengono spesso ignorati.

Questo documento descrive uno studio pilota chiamato MOVE@NUS, che ha provato un approccio diverso: invece di un opuscolo, i ricercatori hanno fornito agli studenti un "co-pilota" digitale che viveva all'interno dei loro stessi Apple Watch e iPhone.

Ecco la storia di ciò che hanno fatto, di come è andata e di cosa hanno imparato, spiegata in modo semplice.

L'Idea Principale: Una "Prova di Guida" per la Salute Digitale

Pensa a questo studio come a una prova di guida per una nuova auto prima che entri in produzione di massa. I ricercatori volevano vedere se un certo tipo di auto digitale (un disegno di studio ibrido) potesse funzionare per gli studenti universitari.

Questa "auto" aveva due motori principali che funzionavano contemporaneamente:

1. Il Motore Passivo (L'Osservatore Silenzioso): L'Apple Watch e l'iPhone agivano come una telecamera silenziosa e invisibile. Registravano automaticamente quanto gli studenti camminavano, salivano le scale e dormivano, senza che gli studenti dovessero fare nulla.
2. Il Motore Attivo (Il Coach dei "Nudge"): Ogni due settimane, gli studenti giocavano a un mini-gioco chiamato "Studio Controllato Randomizzato" (RCT). Venivano segretamente divisi in tre gruppi:
   • Gruppo A: Riceveva consigli specifici per dormire meglio.
   • Gruppo B: Riceveva consigli specifici per muoversi di più.
   • Gruppo C: Riceveva consigli specifici per usare meno il telefono.
   • (Nota: C'era anche un gruppo di "Controllo" che usava semplicemente l'app normalmente, come baseline).

L'obiettivo non era dimostrare quale consiglio fosse il migliore ancora, ma vedere se l'intero sistema potesse funzionare senza rompersi.

Il Viaggio: Cosa è Successo?

Lo studio è durato cinque mesi con 65 studenti del primo anno. Ecco come si è svolto il viaggio:

1. L'Iscrizione (Reclutamento)
Era come cercare persone che possedessero un modello molto specifico e di alta gamma di auto. I ricercatori hanno accettato solo studenti che possedevano sia un iPhone che un Apple Watch più recente.

• Risultato: Hanno trovato 65 studenti che corrispondevano ai requisiti. È stato un po' difficile trovare abbastanza persone perché i requisiti erano severi, ma hanno ottenuto un gruppo solido con cui iniziare.

2. L'Osservatore Silenzioso (Dati Passivi)
Gli Apple Watch erano ottimi nel tracciare il movimento. Era come avere un cane fedele che non dimentica mai di fare una passeggiata.

• Risultato: Gli orologi hanno registrato con successo i dati per il 95% degli studenti. Tuttavia, c'era un problema: molti studenti toglievano gli orologi di notte (come togliersi l'orologio per dormire), quindi i dati sul "sonno" erano un po' discontinui. I dati sul "movimento" (passi e scale) erano molto completi.

3. Il Coach dei "Nudge" (Interventi)
L'app inviava piccoli "nudge" (promemoria) agli studenti.

• Sonno: "Hai dormito 6 ore; prova per 7!"
• Movimento: "Prendi le scale invece dell'ascensore!"
• Tempo Schermo: "Metti giù il telefono per una pausa!"
• Risultato: Gli studenti generalmente piacevano i nudge per il sonno e il movimento. Li sentivano utili. Tuttavia, i nudge sul tempo schermo erano un po' complicati. Alcuni studenti hanno ammesso che controllare la notifica per vedere se stavano usando il telefono li ha effettivamente portati a prendere il telefono di più, aumentando accidentalmente il loro tempo schermo!

4. Il Fattore Fatica (Coinvolgimento)
Immagina una maratona in cui devi fermarti e compilare un sondaggio ogni pochi chilometri.

• Risultato: All'inizio, quasi tutti compilavano i sondaggi. Ma man mano che i mesi passavano, si è instaurata la "fatica da sondaggio". Alla fine, meno della metà degli studenti completava i controlli quotidiani. Più lo studio andava avanti, più persone abbandonavano le parti attive, anche se continuavano a indossare l'orologio.

Il Verdetto: L'Auto è Partita?

Sì, ma ha bisogno di una messa a punto.

Lo studio ha dimostrato che questo approccio "ibrido" (che combina il tracciamento automatico con il coaching attivo) è fattibile. Funziona. La tecnologia non si è bloccata, gli studenti non hanno smesso completamente e i dati sono arrivati.

Tuttavia, i ricercatori hanno trovato tre principali "buche" sulla strada:

1. La Barriera "Solo Apple": Accettando solo utenti di iPhone/Watch, hanno perso molti studenti. Le versioni future potrebbero dover funzionare anche su telefoni Android.
2. Il "Vuoto Notturno": Gli studenti non volevano dormire con gli orologi addosso, rendendo i dati sul sonno meno affidabili.
3. Il "Rimbalzo del Nudge": Per il tempo schermo, i promemoria a volte hanno peggiorato il problema attirando l'attenzione sul telefono.

La Conclusione

I ricercatori hanno concluso che questo "co-pilota" digitale è un veicolo promettente per aiutare gli studenti a stare in salute. È come un prototipo che è uscito con successo dal concessionario, ma gli ingegneri ora sanno che devono:

• Rendere l'auto compatibile con più marchi (Android).
• Rendere la "modalità sonno" più confortevole in modo che le persone non tolgano l'orologio.
• Essere più intelligenti su come ricordano alle persone di mettere giù il telefono, in modo che il promemoria stesso non diventi una distrazione.

In breve: L'idea funziona, la tecnologia funziona, ma le abitudini umane hanno bisogno di un po' più di messa a punto per la prossima versione.

Sommario tecnico

1. Enunciato del Problema

Gli studenti universitari affrontano sfide significative nel mantenere comportamenti di movimento sani (sonno, attività fisica e tempo trascorso davanti agli schermi) a causa delle pressioni accademiche, degli orari irregolari e dell'alta dipendenza dai dispositivi digitali. Sebbene gli interventi di salute digitale che utilizzano Valutazioni Momentanee Ecologiche (EMA) e Interventi Momentanei Ecologici (EMI) offrano soluzioni in tempo reale e consapevoli del contesto, la loro implementazione incontra ostacoli critici di fattibilità:

• Decadimento del Coinvolgimento: I tassi di risposta per le EMA auto-dichiarate spesso diminuiscono nel tempo.
• Frammentazione dei Dati: I dati passivi dei sensori (da dispositivi indossabili) possono essere incompleti a causa della mancata indossabilità del dispositivo o di problemi di sincronizzazione tecnica.
• Mancanza di Quadri Integrati: C'è una scarsità di valutazioni rigorose che combinino il monitoraggio passivo continuo con trial controllati randomizzati (RCT) sequenziali per testare simultaneamente molteplici interventi comportamentali in un contesto naturalistico.

2. Metodologia

Lo studio, intitolato MOVE@NUS, è stato uno studio pilota di cinque mesi (settembre 2024 – gennaio 2025) condotto presso la National University of Singapore (NUS).

Design dello Studio

• Approccio Ibrido: Lo studio ha combinato il monitoraggio passivo continuo con tre trial controllati randomizzati (RCT) a 3 bracci incorporati sequenzialmente.
  • RCT-1: Sonno (2 settimane)
  • RCT-2: Attività fisica (2 settimane)
  • RCT-3: Tempo trascorso davanti agli schermi (2 settimane)
• Randomizzazione: I partecipanti sono stati randomizzati 1:1:1 in Gruppo di Controllo, Intervento 1 o Intervento 2 per ciascuna fase RCT.
• Partecipanti: 65 studenti del primo anno (età media 20,4 anni; 53,8% femmine).
  • Criteri di Inclusione: Età 18–25 anni, possesso di un iPhone e di un Apple Watch (Serie 6/SE o versioni successive) e accordo all'indossatura continua.
  • Esclusione: Gravidanza o viaggi all'estero >6 settimane.

Architettura di Raccolta Dati

1. Monitoraggio Passivo (Primario):
   • Dispositivi: Apple Watch e iPhone.
   • Piattaforma: Integrati tramite Apple HealthKit attraverso un'app personalizzata costruita sulla piattaforma Cogniss.
   • Metriche: Durata del sonno (tempo a letto), conteggio dei passi, piani saliti e attività fisica vigorosa (VPA).
   • Tempo trascorso davanti agli schermi: Raccolto tramite caricamenti manuali settimanali di screenshot delle impostazioni iOS (poiché HealthKit non fornisce dati grezzi sul tempo trascorso davanti agli schermi).
2. Segnalazione Attiva (Secondaria):
   • EMA: Somministrate in 8 sessioni (3 giorni ciascuna) ogni due settimane. I partecipanti riferivano su comportamenti e contesto.
   • Questionari: Questionari basali, a metà strada (2,5 mesi) e finali (5 mesi) tramite REDCap.

Strategie di Intervento (Interventi Momentanei Ecologici - EMI)

Gli interventi erano basati su testo, personalizzati e limitati a ≤7 notifiche/giorno per prevenire l'affaticamento.

• Sonno:
  • Sollecito: Feedback settimanale sulla durata del sonno rispetto alle linee guida (7–9 ore).
  • Scelta: I partecipanti selezionavano settimanalmente strategie di igiene del sonno (es. niente caffè dopo le 15:00).
• Attività Fisica:
  • Sollecito: Promemoria contestuali per prendere le scale, basati sui dati in tempo reale dei piani saliti.
  • Scelta: Selezione giornaliera di brevi attività vigorose (es. squat tra una lezione e l'altra).
• Tempo trascorso davanti agli schermi:
  • Sollecito: Promemoria per le pause con suggerimenti di attività alternative attivati dallo stato di utilizzo corrente.
  • Definizione degli Obiettivi: Obiettivi giornalieri di riduzione personalizzati con feedback sui progressi.

Analisi

• Metriche di Fattibilità: Tassi di reclutamento, ritenzione, completezza dei dati (tassi di sincronizzazione HealthKit) e tassi di risposta alle EMA.
• Efficacia Preliminare: Confronto delle medie pre-intervento vs. durante l'intervento per le metriche oggettive (HealthKit) e le auto-dichiarazioni, calcolando le differenze medie con Intervalli di Confidenza (IC) al 95%.
• Quadro Teorico: Utilizzo di un quadro micro-macro che integra i modelli TAM, COM-B e MARS per valutare l'esperienza utente.

3. Contributi Chiave

• Design Ibrido Innovativo: Validazione di un quadro scalabile che incorpora molteplici RCT sequenziali all'interno di un'unica coorte digitale continua, consentendo il test di diversi tipi di intervento senza richiedere cicli di reclutamento separati.
• Integrazione Tecnica: Dimostrazione della fattibilità di un'app unificata (Cogniss) che integra HealthKit per il tracciamento passivo, caricamenti manuali di screenshot per il tempo trascorso davanti agli schermi e consegna delle EMA su dispositivi Apple di livello consumer.
• Gerarchia del Carico di Dati: Fornitura di prove empiriche sulla "gerarchia della conformità", mostrando che i dati passivi sull'attività fisica avevano la completezza più elevata, mentre i dati sul sonno soffrivano per la mancata indossabilità, e i dati sul tempo trascorso davanti agli schermi (richiedenti caricamenti manuali) avevano il tasso di abbandono più alto.
• Insight Comportamentali: Identificazione che l'accettabilità dell'intervento varia per dominio (Sonno/AF > Tempo trascorso davanti agli schermi) e che la frequenza delle notifiche influisce significativamente sulla soddisfazione dell'utente.

4. Risultati

Reclutamento e Ritenzione

• Iscrizione: 65 partecipanti iscritti su 229 selezionati (tasso di iscrizione del 28,4%).
• Ritenzione:
  • Il completamento dei questionari è stato elevato: 100% (basale), 89,2% (metà strada), 86,2% (finale).
  • Coinvolgimento EMA: Diminuito significativamente nel tempo, dall'88,7% nella prima sessione al 49,2% nell'ultima sessione. Solo il 30,8% dei partecipanti ha completato tutte le 7 sessioni EMA.
  • Dati Passivi: Il 95,4% (62/65) ha fornito dati HealthKit. Tuttavia, solo il 48,0% della coorte iniziale ha mantenuto la fornitura di dati fino alla fase finale.

Completezza dei Dati

• Attività Fisica: Completezza più elevata (piani saliti e passi).
• Sonno: Completezza moderata; limitata dal fatto che i partecipanti non indossavano gli orologi durante la notte.
• Tempo trascorso davanti agli schermi: Completezza più bassa a causa della natura manuale dei caricamenti degli screenshot.

Efficacia Preliminare

• Sonno: Nessuna variazione significativa nella durata tra i gruppi (stabile a ~7 ore).
• Attività Fisica: I gruppi di intervento hanno mostrato piccoli decrementi non significativi nei passi e nei piani saliti rispetto ai controlli.
• Tempo trascorso davanti agli schermi: Il gruppo "Definizione degli Obiettivi" ha mostrato una leggera riduzione (-1,0 ore), mentre i gruppi "Sollecito per le Pause" e di controllo hanno mostrato lievi aumenti.
• Nota: Lo studio era sottopotenziato per affermazioni definitive sull'efficacia; l'obiettivo primario era la fattibilità.

Esperienza Utente

• Soddisfazione: Più alta per il Sonno (78,9%) e l'Attività Fisica (70,6%), più bassa per il Tempo trascorso davanti agli schermi (60,0%).
• Feedback: I partecipanti hanno trovato i solleciti per sonno/AF utili e pertinenti. Gli interventi sul tempo trascorso davanti agli schermi sono stati percepiti come ripetitivi e talvolta controproducenti (la verifica delle notifiche aumentava il tempo trascorso davanti agli schermi).
• Problemi Tecnici: Crash occasionali dell'app e disinstallazione dopo le fasi di intervento hanno interrotto la continuità dei dati.

5. Significato e Direzioni Future

• Prova di Concetto: Lo studio conferma che una coorte digitale ibrida con micro-sperimentazioni incorporate è fattibile per gli studenti universitari, offrendo un modello per future ricerche comportamentali su larga scala.
• Implicazioni per il Design:
  • Diversificazione della Piattaforma: Gli studi futuri devono includere utenti Android per migliorare la generalizzabilità e il reclutamento.
  • Robustezza Tecnica: Le app richiedono una sincronizzazione in background senza soluzione di continuità e la persistenza attraverso reinstallazioni per prevenire la perdita di dati.
  • Durata dell'Intervento: Il coinvolgimento diminuisce significativamente dopo 2–3 mesi; gli interventi futuri dovrebbero considerare sessioni brevi e intensive o incentivi basati su traguardi.
  • Specificità del Dominio: Gli interventi per il tempo trascorso davanti agli schermi richiedono strategie diverse (es. tracciamento automatizzato vs. segnalazione manuale) rispetto al sonno o all'AF.
• Cambiamento Metodologico: Gli autori suggeriscono di passare dai tradizionali RCT sequenziali a trial randomizzati micro (MRT) o disegni fattoriali nelle iterazioni future per ottimizzare più efficientemente i componenti dell'intervento.

Conclusione: Il pilota MOVE@NUS ha dimostrato con successo la fattibilità tecnica e comportamentale di un complesso quadro di intervento digitale multi-comportamentale. Sebbene rimangano sfide nel coinvolgimento a lungo termine e nella completezza dei dati (in particolare per il sonno e il tempo trascorso davanti agli schermi), lo studio fornisce una roadmap critica per il perfezionamento di soluzioni di salute digitale scalabili per i giovani adulti.