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

기술 요약: 고혈압 전단계 성인의 신체 활동 습관 형성을 위한 LLM 통합 챗봇 중재의 효과성

문제 제기
고혈압 전단계는 고혈압 및 심혈관 질환의 결정적인 위험 인자로, 성인 인구의 상당 부분에 영향을 미칩니다. 신체 활동(PA)은 혈압 관리를 위한 입증된 비약물적 중재법이지만, 장기적인 준수율을 유지하는 것은 여전히 주요한 과제입니다. 기존의 중재 방식은 주로 성찰적 과정(예: 지식, 의도, 자기 효능감)을 목표로 하는 구조화된 운동 프로그램이나 표준화된 조언에 의존하며, 습관 형성(예: 자동적인 단서-행동 연합, 맥락 안정성)에 필요한 반사적 과정을 지원하는 데는 실패하고 있습니다. 또한, 웨어러블 기기나 챗봇과 같은 디지털 헬스 도구가 존재하지만, 고혈압 전단계 성인의 지속적인 신체 활동 행동 변화를 위해 LLM(대규모 언량 모델)을 통합하여 적응형, 맥락 민감형, 지속적인 지원을 제공하는 것의 효과성에 대한 증거는 제한적입니다. 현재의 LLM 기반 건강 연구들은 대개 장기적인 행동 결과나 습관 형성 메커즘보다는 단기적인 타당성 검토에 집중되어 있습니다.

연구 방법론
본 논문은 3개월간의 집중 종단 연구가 포함된 12개월 기간의 2군, 평행, 실용적 무작위 대조 시험(RCT) 프로토콜을 기술합니다. (본 연구는 중국 임상시험 등록소(ChiCTR2400085073)에 등록되었습니다.)

• 대상자: 베이징의 두 대형 기술 기업 및 소셜 미디어를 통해 모집된, 고혈압 전단계(수축기 혈압 120–139 mmHg 또는 이완기 혈압 80–89 mmHg) 및 낮은 신체 활동 수준을 가진 성인 118명 (18~60세).
• 설계:
  • 중재군: 참가자는 Huawei Watch D 스마트워치를 지급받으며, 위챗(WeChat) 미니 프로그램을 통해 전달되는 HabitBot(LLM 통합 챗봇)을 이용합니다. HabitBot은 건강 행동 과정 접근법(HAPA)과 습관 형성 이론에 근거합니다. 이 시스템은 사용자 중심 설계를 활용하여 개인화된 신체 활동 처방, 건강 조언 및 동기 부여 피드백을 제공합니다. 또한 참가자의 프로필, 실시간 웨어러블 데이터(걸음 수, 심박수, 혈압) 및 대화 기록을 통합하여 적응형 응답을 생성합니다. 이는 목표 설정, 실행 계획, 문제 해결 및 자기 모니터링과 같은 행동 변화 기법을 지원합니다.
  • 대조군: 참가자는 동일한 Huawei Watch D 스마트워치를 지급받으며, 간호사로부터 (ACSM 가이드라인에 기반한) 일회성 맞춤형 신체 활동 처방을 받은 후, 일반적인 신체 활동, 식단 및 수면에 관한 교육을 제공하는 표준 건강 앱(CoHealth)을 이용합니다.
• 무작위 배정: 물류적 제약을 관리하기 위해 기업 모집 참가자에게는 클러스터 단위로, 소셜 미디어 모집 참가자에게는 개인 단위로 무작위 배정을 실시합니다.
• 결과 변수:
  • 일차 결과: 스마트워치를 통해 객관적으로 측정된 일평균 걸음 수 및 신체 활동 수준(IPAQ 활용).
  • 이차 결과: 혈압, 신체 구성, 그리고 성찰적(HAPA 기반: 의도, 자기 효능감, 계획) 및 반사적(SRBAI 기반: 습관 강도, 맥락 안정성, 내재적 보상) 경로와 관련된 심리적 요인.
  • 과정 측정: 사용성(챗봇 사용성 척도), 참여도 및 준수율.
• 데이터 수집: 기초 조사, 3개월, 6개월, 12개월 시점에 평가를 수행합니다. 습관 형성 메커니즘의 시간적 변화를 포착하기 위해 첫 3개월 동안 매일 집중적인 생태적 순간 평가(EMA)를 실시합니다.
• 분석: 반복 측정 및 클러스터링을 고려하기 위해 혼합 효과 모델을 사용한 의도-치료(Intention-to-treat) 분석을 수행합니다. 매개 분석을 통해 성찰적 및 반사적 경로의 변화가 신체 활동 결과에 어떻게 영향을 미치는지 탐구합니다.

핵심 기여
본 논문은 다음 세 가지 특정 요소를 통합함으로써 장기적인 신체 활동 유지 문제를 해결하기 위한 새로운 프레임워크를 제안합니다:

1. LLM 기반 적응성: 규칙 기반 챗봇과 달리, HabitBot은 다회차 대화, 맥락 이해, 동적 문제 해결을 처리하기 위해 LLM을 사용하여 사용자의 장애물과 변화하는 건강 상태에 실시간으로 적응할 수 있습니다.
2. 이중 경로 초점: 본 중재는 성찰적(동기 부여) 과정과 반사적(습관적) 과정을 명시적으로 목표로 하여, 사용자가 의도적인 운동에서 자동적인 습관으로 전환되도록 돕습니다.
3. 메커니즘 중심의 종단 설계: 12개월 연구 내에 3개월간의 집중적인 일일 평가를 포함함으로써, 단순히 최종 상태의 결과만을 측정하는 것이 아니라 습관 형성의 시간적 메커니즘을 규명하고자 합니다.

결과
본 문서는 연구 프로토콜이므로, 경험적 결과, 통계적 수치 또는 효능 데이터를 보고하지 않습니다. 논문의 "결과" 섹션은 예상되는 기여를 기술합니다: 본 연구는 고혈압 전단계 성인의 신체 활동 습관 증진 및 건강 개선에 있어 HabitBot의 효과성을 입증하고, 종단 데이터 분석을 통해 습관 형성의 기저 메커니즘을 탐구할 것으로 기대됩니다.

의의 및 주장
저자들은 본 연구가 문헌상의 세 가지 핵심 공백을 해결한다고 주장합니다:

1. 정량화된 신체 활동 가이드, 객관적 웨어러블 모니터링, 지속적인 행동 지원을 단일 시스템으로 통합하는 중재의 부재.
2. 신체 활동 중재에서 성찰적 결정 요인에 과도하게 의존하고, 반사적 습관 형성 과정에 대한 주의가 부족한 점.
3. 지속적인 행동 변화를 위한 LLM 통합 챗봇의 효능에 관한 엄격하고 장기적인 증거의 희소성.

본 연구는 성공할 경우, 연구 결과가 만성 질환 관리를 위한 미래의 LLM 통합 중재 모델을 형성하는 데 도움이 될 것이라고 상정합니다. 성찰적 및 반사적 경로를 모두 조사함으로써, 본 연구는 단순한 동기 부여를 넘어 일상생활에서 건강한 행동을 자동으로 시작할 수 있도록 지원함으로써 디지털 헬스 전략을 발전시키는 것을 목표로 합니다. 저자들은 참가자가 중재 여부를 알 수 없다는 점(맹검 불가), 웨어러블 데이터의 잠재적 측정 오류, 그리고 베이징 기반의 기술직 종사자라는 특정 인구 통계적 특성으로 인한 일반화의 한계 등을 인정하며 신중한 어조를 유지하고 있습니다.