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

Sintesi Tecnica: Efficacia di un intervento tramite chatbot integrato con LLM per la formazione di abitudini di attività fisica in adulti preipertensivi

Definizione del problema
La preipertensione è un fattore di rischio critico per l'ipertensione e le malattie cardiovascolari, che colpisce una parte significativa della popolazione adulta. Sebbene l'attività fisica (PA) sia un intervento non farmacologico comprovato per la gestione della pressione sanguigna, l'aderenza a lungo termine rimane una sfida importante. Gli interventi esistenti spesso si affidano a programmi di esercizio strutturati o consigli standardizzati che mirano ai processi riflessivi (es. conoscenza, intenzione, auto-efficacia) ma non riescono a supportare i processi riflessivi necessari per la formazione delle abitudini (es. associazioni cue-comportamento, stabilità del contesto). Inoltre, sebbene esistano strumenti di salute digitale come wearable e chatbot, vi sono prove limitate sull'efficacia dell'integrazione di Modelli di Linguaggio di Grandi Dimensioni (LLM) per fornire un supporto adattivo, sensibile al contesto e continuo per il cambiamento sostenuto del comportamento PA negli adulti preipertensivi. Gli studi attuali basati su LLM sono spesso a breve termine, focalizzati sulla fattibilità piuttosto che sugli esiti comportamentali a lungo termine o sui meccanismi di formazione delle abitudini.

Metodologia
Questo articolo delinea il protocollo per un trial controllato randomizzato (RCT) pragmatico, parallelo, a due bracci e di 12 mesi, con uno studio longitudinale intensivo incorporato di 3 mesi. Il trial è registrato presso il Chinese Clinical Trials Registry (ChiCTR2400085073).

• Partecipanti: Saranno reclutati 118 adulti (età 18–60 anni) con preipertensione (PAS 120–139 mmHg o PAD 80–89 mmHg) e bassi livelli di attività fisica da due grandi aziende tecnologiche di Pechino e tramite social media.
• Disegno:
  • Gruppo di Intervento: I partecipanti ricevono uno smartwatch Huawei Watch D e l'accesso a HabitBot, un chatbot integrato con LLM erogato tramite un mini-programma WeChat. HabitBot si basa sul Health Action Process Approach (HAPA) e sulla Teoria della Formazione delle Abitudini. Utilizza un design incentrato sull'utente per fornire prescrizioni di PA personalizzate, consigli sulla salute e feedback motivazionali. Il sistema incorpora i profili dei partecipanti, dati wearable in tempo reale (passi, frequenza cardiaca, pressione sanguigna) e la cronologia delle conversazioni per generare risposte adattive. Supporta le tecniche di cambiamento del comportamento, tra cui la definizione degli obiettivi, la pianificazione dell'azione, la risoluzione dei problemi e l'automonitoraggio.
  • Gruppo di Controllo: I partecipanti ricevono lo stesso smartwatch Huawei Watch D, una prescrizione di PA personalizzata una tantum da parte di un infermiere (basata sulle linee guida ACSM) e l'accesso a una standard health app (CoHealth) che fornisce educazione generale su PA, dieta e sonno.
• Randomizzazione: La randomizzazione avviene a livello di cluster per i partecipanti reclutati dalle aziende (per gestire i vincoli logistici) e a livello individuale per i recluti dai social media.
• Esiti:
  • Primari: Numero medio di passi giornalieri (misurato oggettivamente tramite lo smartwatch) e livelli di attività fisica (tramite IPAQ).
  • Secondari: Pressione sanguigna, composizione corporea e fattori psicologici relativi ai percorsi riflessivi (basati su HAPA: intenzione, auto-efficacia, pianificazione) e riflessivi (basati su SRBAI: forza dell'abitudine, stabilità del contesto, ricompensa intrinseca).
  • Misure di Processo: Usabilità (Chatbot Usability Scale), engagement e aderenza.
• Raccolta Dati: Le valutazioni avvengono al baseline, a 3, 6 e 12 mesi. Viene condotta una valutazione intensiva mediante Valutazione Ecologica Momentanea (EMA) giornaliera durante i primi 3 mesi per catturare i cambiamenti temporali nei meccanismi di formazione delle abitudini.
• Analisi: Analisi intention-to-treat utilizzando modelli a effetti misti per tenere conto delle misure ripetute e del clustering. Le analisi di mediazione esploreranno come i cambiamenti nei percorsi riflessivi e riflessivi influenzino gli esiti della PA.

Contributi Chiave
L'articolo propone un quadro innovativo per affrontare il gap nella manutenzione della PA a lungo termine integrando tre elementi specifici:

1. Adattività guidata da LLM: A differenza dei chatbot basati su regole, HabitBot utilizza un LLM per gestire dialoghi multi-turno, comprensione del contesto e problem-solving dinamico, permettendogli di adattarsi alle barriere dell'utente e ai cambiamenti dello stato di salute in tempo reale.
2. Focus sui Dual-Pathway: L'intervento mira esplicitamente sia ai processi riflessivi (motivazionali) che a quelli riflessivi (abitudinari), con l'obiettivo di transire gli utenti dall'esercizio intenzionale all'abitudine automatica.
3. Disegno Longitudinale Meccanicistico: Integrando una valutazione quotidiana intensiva di 3 mesi all'interno di un trial di 12 mesi, lo studio mira a chiarire i meccanismi temporali della formazione delle abitudini, piuttosto che misurare solo gli esiti finali.

Risultati
Poiché questo documento è un protocollo di studio, non riporta risultati empirici, scoperte statistiche o dati di efficacia. La sezione "Risultati" dell'articolo delinea i contributi attesi: lo studio dovrebbe fornire approfondimenti sull'efficacia di HabitBot nel promuovere le abitudini di PA e migliorare la salute tra gli adulti preipertensivi, nonché esplorare i meccanismi sottostanti la formazione delle abitudini attraverso l'analisi dei dati longitudinali.

Significatività e Rivendicazioni
Gli autori affermano che questo studio affronta tre lacune critiche nella letteratura attuale:

1. La mancanza di interventi che integrino la guida quantificata della PA, il monitoraggio oggettivo tramite wearable e il supporto comportamentale continuo in un unico sistema.
2. L'eccessiva dipendenza dai determinanti riflessivi negli interventi di PA, con insufficiente attenzione ai processi di formazione delle abitudini riflessive.
3. La scarsità di prove rigorose e a lungo termine riguardanti l'efficacia dei chatbot integrati con LLM per il cambiamento comportamentale sostenuto.

Lo studio ipotizza che, se avrà successo, i risultati aiuteranno a dare forma ai futuri interventi integrati con LLM per la gestione delle malattie croniche. Esaminando sia i percorsi riflessivi che quelli riflessivi, la ricerca mira ad avanzare le strategie di salute digitale per la riduzione del rischio cardiovascolare, andando oltre la semplice motivazione per supportare l'iniziazione automatica di comportamenti salutari nella vita quotidiana. Gli autori mantengono un tono modesto, riconoscendo i limiti come l'impossibilità di mettere al buio i partecipanti riguardo all'intervento, i potenziali errori di misurazione nei dati dei wearable e la specificità demografica (lavoratori del settore tecnologico di Pechino) che potrebbe limitare la generalizzabilità.