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

Technische Samenvatting: Effectiviteit van een LLM-geïntegreerde Chatbot-interventie voor de vorming van fysieke activiteitsgewoonten bij volwassenen met prehypertensie

Probleemstelling
Prehypertensie is een kritieke risicofactor voor hypertensie en cardiovasculaire ziekten, die een aanzienlijk deel van de volwassen populatie treft. Hoewel fysieke activiteit (FA) een bewezen niet-farmacologische interventie is voor het beheersen van de bloeddruk, blijft langetermijntherapietrouw een grote uitdaging. Bestaande interventies vertrouwen vaak op gestructureerde trainingsprogramma's of gestandaardiseerd advies dat zich richt op reflectieve processen (bijv. kennis, intentie, zelfeffectiviteit), maar falen in het ondersteunen van de reflexieve processen die noodzakelijk zijn voor gewoontevorming (bijv. automatische associaties tussen cue en gedrag, contextstabiliteit). Bovendien bestaan er weliswaar digitale gezondheidstools zoals wearables en chatbots, maar is er beperkt bewijs voor de effectiviteit van het integreren van Large Language Models (LLM's) om adaptieve, contextgevoelige en continue ondersteuning te bieden voor duurzame FA-gedragsverandering bij volwassenen met prehypertensie. Huidige LLM-gebaseerde gezondheidsstudies zijn vaak kortstondig en richten zich op haalbaarheid in plaats van op langetermijn gedragsuitkomsten of de mechanismen van gewoontevorming.

Methodologie
Dit artikel beschrijft het protocol voor een 12-maandelijkse, twee-armige, parallelle, pragmatische gerandomiseerde gecontroleerde studie (RCT) met een ingebedde 3-maandelijkse intensieve longitudinale studie. De trial is geregistreerd bij de Chinese Clinical Trials Registry (ChiCTR2400085073).

• Deelnemers: 118 volwassenen (leeftijd 18–60 jaar) met prehypertensie (SBP 120–139 mmHg of DBP 80–89 mmHg) en een laag niveau van fysieke activiteit zullen worden gerekruteerd uit twee grote technologiebedrijven in Beijing en via sociale media.
• Ontwerp:
  • Interventiegroep: Deelnemers ontvangen een Huawei Watch D smartwatch en krijgen toegang tot HabitBot, een LLM-geïntegreerde chatbot die wordt geleverd via een WeChat mini-programma. HabitBot is gebaseerd op de Health Action Process Approach (HAPA) en de Habit Formation Theory. Het maakt gebruik van een gebruikersgericht ontwerp om gepersonaliseerde FA-voorschriften, gezondheidsadvies en motiverende feedback te leveren. Het systeem integreert deelnemersprofielen, realtime wearable-gegevens (stappen, hartslag, bloeddruk) en conversatiegeschiedenis om adaptieve reacties te genereren. Het ondersteunt technieken voor gedragsverandering zoals doelstelling, actieplanning, probleemoplossing en zelfmonitoring.
  • Controlegroep: Deelnemers ontvangen dezelfde Huawei Watch D smartwatch, een eenmalig face-to-face op maat gemaakt FA-voorschrift van een verpleegkundige (gebaseerd op ACSM-richtlijnen), en hebben toegang tot een standaard gezondheidsapp (CoHealth) die algemene educatie biedt over FA, dieet en slaap.
• Randomisatie: Randomisatie vindt plaats op clusterniveau voor de via bedrijven gerekruteerde deelnemers (om logistieke beperkingen te beheersen) en op individueel niveau voor sociale media-rekruten.
• Uitkomsten:
  • Primair: Gemiddeld dagelijks aantal stappen (objectief gemeten via de smartwatch) en het niveau van fysieke activiteit (via IPAQ).
  • Secundair: Bloeddruk, lichaamssamenstelling en psychologische factoren gerelateerd aan reflectieve (HAPA-gebaseerde: intentie, zelfeffectiviteit, planning) en reflexieve (SRBAI-gebaseerde: gewoontekracht, contextstabiliteit, intrinsieke beloning) paden.
  • Procesmatige metingen: Bruikbaarheid (Chatbot Usability Scale), betrokkenheid en therapietrouw.
• Gegevensverzameling: Beoordelingen vinden plaats op baseline, 3, 6 en 12 maanden. Een intensieve Ecological Momentary Assessment (EMA) wordt dagelijks uitgevoerd tijdens de eerste 3 maanden om temporele veranderingen in mechanismen van gewoontevorming vast te leggen.
• Analyse: Intention-to-treat analyse met behulp van mixed-effects modellen om rekening te houden met herhaalde metingen en clustering. Mediatie-analyses onderzoeken hoe veranderingen in reflectieve en reflexieve paden de FA-uitkomsten beïnvloeden.

Belangrijkste Bijdragen
Het artikel stelt een nieuw kader voor om de kloof in langdurige FA-handhaving aan te pakken door drie specifieke elementen te integreren:

1. LLM-gestuurde Adaptiviteit: In tegen tegenover regelgebaseerde chatbots gebruikt HabitBot een LLM om meerzaalige dialogen, contextbegrip en dynamische probleemoplossing af te handelen, waardoor het kan aanpassen aan barrières van de gebruiker en veranderende gezondheidsstatus in realtime.
2. Dual-Pathway Focus: De interventie richt zich expliciet op zowel reflectieve (motivationele) als reflexieve (gewoonte-) processen, met als doel gebruikers te begeleiden van intentionele lichaamsbeweging naar automatische gewoonte.
3. Mechanistische Longitudinale Design: Door een 3-maandelijkse intensieve dagelijkse beoordeling in te bedden in een 12-maandelijkse trial, beoogt de studie de temporele mechanismen van gewoontevorming te verhelderen, in plaats van alleen eindresultaten te meten.

Resultaten
Aangezien dit document een studieprotocol is, rapporteert het geen empirische resultaten, statistische bevindingen of effectiviteitsgegevens. De sectie "Resultaten" van het artikel schetst de verwachte bijdragen: de studie zal naar verwachting inzichten bieden in de effectiviteit van HabitBot bij het bevorderen van FA-gewoonten en het verbeteren van de gezondheid bij volwassenen met prehypertensie, evenals het verkennen van de mechanismen die ten grondslag liggen aan gewoontevorming door middel van longitudinale data-analyse.

Betekenis en Claims
De auteurs beweren dat deze studie drie kritieke hiaten in de huidige literatuur aanpakt:

1. Het gebrek aan interventies die gekwantificeerde FA-begeleiding, objectieve wearable-monitoring en continue gedragssteun in één systeem integreren.
2. De overmatige nadruk op reflectieve determinanten in FA-interventies, met onvoldoende aandacht voor reflexieve processen van gewoontevorming.
3. Het gebrek aan rigoureus, langdurig bewijs met betrekking tot de effectiviteit van LLM-geïntegreerde chatbots voor duurzame gedragsverandering.

De studie stelt dat, indien succesvol, de bevindingen zullen helpen bij het vormgeven van toekomstige LLM-geïntegreerde interventies voor het beheer van chronische ziekten. Door zowel reflectieve als reflexieve paden te onderzoeken, beoogt het onderzoek digitale gezondheidsstrategieën voor het verminderen van cardiovasculair risico te verbeteren, waarbij de focus verschuift van eenvoudige motivatie naar het ondersteunen van de automatische initiatie van gezonde gedragingen in het dagelijks leven. De auteurs hanteren een bescheiden toon en erkennen beperkingen zoals het onvermogen om deelnemers te blinden voor de interventie, potentiële meetfouten in wearable-gegevens en de specifieke demografie (in Beijing werkzame technologische werknemers), wat de generaliseerbaarheid kan beperken.