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

Resumo Técnico: Eficácia de uma Intervenção de Chatbot Integrado com LLM para a Formação de Hábitos de Atividade Física em Adultos Pré-hipertensos

Declaração do Problema
A pré-hipertensão é um fator de risco crítico para a hipertensão e doenças cardiovasculares, afetando uma parcela significativa da população adulta. Embora a atividade física (AF) seja uma intervenção não farmacológica comprovada para o controle da pressão arterial, a adesão a longo prazo continua sendo um grande desafio. As intervenções existentes frequentemente dependem de programas de exercícios estruturados ou aconselhamento padronizado que visam processos reflexivos (ex: conhecimento, intenção, autoeficácia), mas falham em apoiar os processos reflexivos necessários para a formação de hábitos (ex: associações entre estímulos e comportamentos, estabilidade de contexto). Além disso, embora ferramentas digitais de saúde como dispositivos vestíveis (wearables) e chatbots existam, há evidências limitadas sobre a eficácia da integração de Modelos de Linguagem de Grande Escala (LLMs) para fornecer suporte adaptativo, sensível ao contexto e contínuo para a mudança sustentada do comportamento de AF em adultos pré-hipertensos. Estudos de saúde baseados em LLM atuais são frequentemente de curto prazo, focando em viabilidade em vez de resultados comportamentais de longo prazo ou nos mecanismos de formação de hábitos.

Metodologia
Este artigo descreve o protocolo para um Ensaio Clínico Controlado Aleatorizado (ECCA) pragmático, paralelo, de dois braços e de 12 meses, com um estudo longitudinal intensivo de 3 meses incorporado. O ensaio está registrado no Registro de Ensaios Clínicos da China (ChiCTR2400085073).

• Participantes: Serão recrutados 118 adultos (com idade entre 18 e 60 anos) com pré-hipertensão (PAS 120–139 mmHg ou PAD 80–89 mmHg) e baixos níveis de atividade física de duas grandes empresas de tecnologia em Pequim e via redes sociais.
• Desenho:
  • Grupo de Intervenção: Os participantes recebem um smartwatch Huawei Watch D e acesso ao HabitBot, um chatbot integrado com LLM entregue via um mini-programa do WeChat. O HabitBot é fundamentado na Abordagem de Processo de Ação de Saúde (HAPA) e na Teoria da Formação de Hábitos. Ele utiliza um design centrado no usuário para fornecer prescrições de AF personalizadas, conselhos de saúde e feedback motivacional. O sistema incorpora perfis de participantes, dados de monitoramento em tempo real (passos, frequência cardíaca, pressão arterial) e histórico de conversação para gerar respostas adaptativas. Ele suporta técnicas de mudança de comportamento, incluindo definição de metas, planejamento de ação, resolução de problemas e automonitoramento.
  • Grupo Controle: Os participantes recebem o mesmo smartwatch Huawei Watch D, uma prescrição de AF personalizada única, feita presencialmente por um enfermeiro (baseada nas diretrizes da ACSM), e acesso a um aplicativo de saúde padrão (CoHealth) que fornece educação geral sobre AF, dieta e sono.
• Randomização: A randomização ocorre no nível do cluster para os participantes recrutados pelas empresas (para gerenciar restrições logísticas) e no nível individual para os recrutados via redes sociais.
• Desfechos:
  • Primário: Contagem média diária de passos (medida objetivamente via smartwatch) e níveis de atividade física (via IPAQ).
  • Secundários: Pressão arterial, composição corporal e fatores psicológicos relacionados às vias reflexivas (baseadas em HAPA: intenção, autoeficácia, planejamento) e reflexivas (baseadas em SRBAI: força do hábito, estabilidade de contexto, recompensa intrínseca).
  • Medidas de Processo: Usabilidade (Escala de Usabilidade de Chatbot), engajamento e adesão.
• Coleta de Dados: As avaliações ocorrem no início (baseline), aos 3, 6 e 12 meses. Uma Avaliação Ecológica Momentânea (EMA) intensiva é realizada diariamente durante os primeiros 3 meses para capturar mudanças temporais nos mecanismos de formação de hábitos.
• Análise: Análise por intenção de tratar utilizando modelos de efeitos mistos para considerar medidas repetidas e agrupamentos (clustering). Análises de mediação explorarão como mudanças nas vias reflexivas e reflexivas influenciam os resultados de AF.

Principais Contribuições
O artigo propõe um novo framework para abordar a lacuna na manutenção da AF a longo prazo, integrando três elementos específicos:

1. Adaptabilidade Impulsionada por LLM: Diferente dos chatbots baseados em regras, o HabitBot utiliza um LLM para lidar com diálogos de múltiplos turnos, compreensão de contexto e resolução dinâmica de problemas, permitindo que ele se ajuste às barreiras do usuário e às mudanças de estado de saúde em tempo real.
2. Foco em Via Dupla: A intervenção visa explicitamente tanto os processos reflexivos (motivacionais) quanto os reflexivos (habituais), buscando a transição dos usuários do exercício intencional para o hábito automático.
3. Desenho Longitudinal Mecanístico: Ao incorporar uma avaliação diária intensiva de 3 meses dentro de um ensaio de 12 meses, o estudo visa elucidar os mecanismos temporais da formação de hábitos, em vez de medir apenas resultados finais.

Resultados
Como este documento é um protocolo de estudo, ele não reporta resultados empíricos, achados estatísticos ou dados de eficácia. A seção "Resultos" do artigo descreve as contribuições previstas: espera-se que o estudo forneça insights sobre a eficácia do HabitBot na promoção de hábitos de AF e na melhoria da saúde entre adultos pré-hipertensos, bem como na exploração dos mecanismos subjacentes à formação de hábitos através da análise de dados longitudinais.

Significância e Alegações
Os autores alegam que este estudo aborda três lacunas críticas na literatura atual:

1. A falta de intervenções que integrem orientação de AF quantificada, monitoramento objetivo por vestíveis e suporte comportamental contínuo em um único sistema.
2. A dependência excessiva de determinantes reflexivos em intervenções de AF, com atenção insuficiente aos processos reflexivos de formação de hábitos.
3. A escassez de evidências rigorosas e de longo prazo sobre a eficácia de chatbots integrados com LLM para mudança de comportamento sustentada.

O estudo postula que, se bem-sucedido, os achados ajudarão a moldar futuras intervenções integradas com LLM para o manejo de doenças crônicas. Ao examinar tanto as vias reflexivas quanto as reflexivas, a pesquisa visa avançar as estratégias de saúde digital para reduzir o risco cardiovascular, indo além da simples motivação para apoiar a iniciação automática de comportamentos saudáveis na vida cotidiana. Os autores mantêm um tom modesto, reconhecendo limitações como a impossibilidade de cegar os participantes quanto à intervenção, potenciais erros de medição nos dados dos dispositivos vestíveis e o perfil demográfico específico (trabalhadores do setor tecnológico em Pequim), o que pode limitar a generalização.