Design and Rationale of the My Heart Counts Cardiovascular Health Study: a Large-Scale, Fully Digital Biobank, and Randomized Trial of Large Language Model-Driven Coaching of Physical Activity

该研究介绍了“我的心脏计数”心血管健康研究，这是一项利用开源跨平台应用构建的大型数字化生物样本库及随机试验，旨在通过基于大语言模型的个性化行为干预，评估其对改善参与者日常身体活动及心血管健康指标的效果。

要点

这篇文章介绍了一个名为"My Heart Counts"（我的心跳计数）的全新心脏健康研究项目。你可以把它想象成心脏健康领域的“超级升级包”，它利用最新的手机技术和人工智能，试图解决一个全球性的难题：如何让普通人更容易动起来，从而保护心脏。

为了让你更容易理解，我们可以把这个研究比作建造一座“数字健康游乐园”并邀请大家来玩一场“智能健身大挑战”。

1. 为什么要建这个游乐园？（背景与痛点）

心脏疾病是全球头号杀手，而“不爱动”是最大的帮凶之一。

• 旧版本的问题：以前的“心脏健康 App"就像是一个只允许穿特定鞋子（仅限苹果 iPhone）。而且，里面的“健身教练”都是真人专家，他们太忙了，没法给成千上万的人写个性化的鼓励信。
• 新版本的愿景：这次，我们要建一个对所有人开放的游乐园。不管你是用苹果还是安卓手机（安卓版 2027 年上线），不管你是说英语还是西班牙语，只要你有智能手机，就能进来玩。

2. 这个游乐园里有什么？（核心功能）

这个 App 不仅仅是一个计步器，它是一个全能的数字健康管家，主要包含三个神奇的功能：

A. 你的“数字健康保险箱” (Digital Biobank)

想象一下，你的身体每天都在产生海量的数据：你走了多少步、爬了多少层楼、心跳快慢、睡得好不好，甚至是你过去 10 年的健康记录。

• 以前：这些数据散落在不同的地方，医生很难看到全貌。
• 现在：这个 App 像一个超级保险箱，把这些数据（包括你手机和手表的原始传感器数据）全部收集起来，整理得井井有条。它甚至能连接医院的电子病历，把“你在医院查的血脂”和“你在家走的步数”拼在一起，拼出一幅完整的健康拼图。

B. 你的"AI 私人健身教练” (LLM Coaching)

这是本次研究最酷的地方。

• 以前的教练：只会发千篇一律的短信，比如“今天走满 7000 步吧”。这就像广播体操，对谁都是一样的。
• 现在的教练：是一个基于大语言模型（AI）。它读过很多心理学书籍，懂得“改变行为的五个阶段”。
  • 如果你还在犹豫要不要运动，它会温柔地鼓励你；
  • 如果你已经准备好开始，它会给你具体的计划；
  • 如果你放弃了，它会帮你分析原因，而不是责怪你。
  • 比喻：以前的教练是广播，现在的教练是懂你心思的私人朋友。

C. 你的“健康仪表盘” (Heart Health Dashboard)

很多人不知道自己有高血压或高血脂，因为身体没感觉。

• 这个 App 有一个可视化的仪表盘，就像汽车的仪表盘一样。它会把复杂的医学指标（如血压、胆固醇）和你每天的行为（睡眠、运动、饮食）结合起来，算出一个“心脏健康分”。
• 效果：它让你直观地看到，“哦，原来我昨晚少睡了一小时，或者今天少走了 2000 步，我的心脏健康分就下降了”。这让抽象的风险变得看得见、摸得着。

3. 我们要玩什么游戏？（随机对照试验）

研究的核心是一场大挑战，邀请 15,000 名来自美国和英国的成年人参与。

• 游戏规则：
  1. 参与者被随机分成两组（或者同一人先玩 A 模式，再玩 B 模式）。
  2. A 模式：收到 AI 教练的个性化鼓励短信（基于你的心理状态定制）。
  3. B 模式：收到通用的提醒短信（比如“记得多走几步”）。
  4. 目标：看哪种方式更能让人每天多走路。
• 为什么这么设计？这就像交叉测试。每个人都要体验两种模式，这样就能公平地比较出，到底是“懂你的 AI"更有效，还是“普通的提醒”更有效。

4. 这个研究有什么特别之处？（创新点）

• 开源共享：就像把乐高积木的图纸公开了一样。研究人员把这个 App 的代码全部开源（基于斯坦福的 Spezi 框架），其他科学家可以拿去修改，用来研究糖尿病、肺病甚至癌症，不用从头造轮子。
• 打破语言障碍：专门为西班牙语用户设计了平行版本，因为在美国有超过 1700 万人主要说西班牙语。这就像游乐园里同时有中文和英文导游，确保没人被落下。
• 数据连接：它能把手机里的“步数”和医院里的“验血单”连起来，让医生和研究者能看到更真实的长期健康趋势。

5. 总结：这对你意味着什么？

简单来说，这项研究试图证明：利用人工智能和手机，我们可以低成本、大规模地帮助普通人改善心脏健康。

它不再依赖昂贵的医院和忙碌的医生，而是把“健康教练”装进每个人的口袋里。如果成功，未来我们每个人都可能拥有一个24 小时在线、懂心理学、能看懂你体检报告的 AI 健康管家，它会根据你的心情和状态，用最适合你的方式鼓励你动起来，从而预防心脏病。

一句话概括：这是一个用AI 教练、手机数据和开源技术，为全人类打造的心脏健康“自助升级”计划。

技术摘要

这是一份关于《My Heart Counts 心血管健康研究：大规模、全数字化生物库及大语言模型驱动的运动辅导随机试验的设计与原理》的技术总结。

1. 研究背景与问题 (Problem)

• 心血管疾病负担： 心血管疾病是全球发病和死亡的主要原因，而缺乏体力活动是其中最显著的可改变风险因素。尽管证据确凿，但大多数成年人未能达到每周 150 分钟中等强度运动的建议标准。
• 传统干预的局限性：
  • 可扩展性差： 传统的面对面教练或群体干预受限于人力成本、地理障碍（城乡差异）和时间约束，难以大规模推广。
  • 既往研究的不足： 该团队之前的"My Heart Counts"应用（2015 年发布）虽然证明了数字化招募的可行性，但存在明显缺陷：仅支持 iOS 平台、缺乏多语言支持（仅限英语）、依赖人类专家手动创建个性化文本干预内容，且缺乏原始传感器数据的深度采集。
  • 患者认知差距： 患者往往对无症状的心血管风险因素（如高血压、高血脂）缺乏直观理解，难以将抽象的医疗风险转化为具体的个人行动目标。

2. 研究方法与设计 (Methodology)

本研究设计为一个前瞻性观察队列研究，其中嵌入了一个随机交叉试验（Randomized Crossover Trial）。

A. 平台架构与技术栈

• 全数字化应用： 基于开源的 Stanford Spezi 框架构建，支持 iOS（2026 年 3 月上线）和 Android（计划 2027 年上线）。
• 多语言支持： 首发支持英语和西班牙语，旨在提高数字包容性。
• 数据集成：
  • 被动数据： 通过 Apple HealthKit/SensorKit 和 Google Health Connect 采集高频生物特征数据（步数、心率变异性、睡眠、原始加速度计数据、PPG 波形等）。
  • 主动任务： 包含 6 分钟步行测试（亚极量）和 12 分钟库珀跑测试（极量）以评估心肺适能。
  • 电子健康记录 (EHR)： 通过 HL7 FHIR 协议集成临床数据（如血脂、血糖、ICD-10 编码），实现可穿戴数据与临床结果的纵向关联。
  • 回顾性数据： 应用可收集入组前长达 10 年的移动健康历史数据。

B. 随机交叉试验设计

• 目标人群： 美国和英国的 18 岁以上成年人，目标招募 15,000 人（试验统计效力计算基于 1,000 人）。
• 干预措施：
  • 实验组： 接收由 大语言模型 (LLM) 生成的个性化文本辅导提示。LLM 基于行为改变阶段理论 (Transtheoretical Model, TTM) 进行微调，根据用户所处的“改变阶段”提供定制化建议。
  • 对照组： 接收通用的数字提示（如“每日目标 7,000 步”）。
• 流程： 参与者先进行 1 周基线监测，随后进入 2 周交叉试验（每周切换一次干预类型），最后进行 1 周洗脱期（或根据设计直接交叉）。
• 主要终点： 干预期间每日步数的变化（LLM 组 vs. 通用提示组）。
• 次要终点： 活跃分钟数、消耗卡路里、心肺适能变化、传感器衍生生物标志物（如睡眠质量、静息心率）的变化。

C. 数据分析

• 使用线性混合效应模型 (Linear Mixed-Effects Models) 分析干预效果，考虑受试者随机效应、干预周期及携带效应。
• 统计效力：假设标准差为 3,000 步，样本量 1,000 人可提供 90% 的效力检测出 500 步的日均差异。

3. 关键贡献 (Key Contributions)

1. 自主化数字试验 (Autonomous Digital Trials)： 展示了无需大量人工干预即可在智能手机上大规模开展随机对照试验的可行性，显著降低了成本并扩大了地理覆盖范围。
2. AI 与行为科学的融合： 首次大规模验证了基于行为心理学理论（TTM）微调的 LLM 在生成个性化健康辅导中的有效性，解决了传统个性化干预难以规模化复制的痛点。
3. 综合数字生物库 (Comprehensive Digital Biobank)： 建立了包含多模态数据（原始传感器数据、EHR 临床数据、患者报告结果、基因数据等）的纵向生物库，支持从短期行为干预到长期疾病预后研究的多种科学问题。
4. 患者端风险可视化： 开发了“心脏健康 (Heart Health)"仪表盘，将抽象的医学风险指标（如血压、血脂）与实时行为数据（步数、睡眠）动态结合，帮助患者直观理解并管理风险。
5. 开源与模块化设计： 基于 Spezi 框架的开源代码，允许其他研究团队快速复用架构，针对特定疾病（如肺动脉高压、糖尿病）或人群进行模块化扩展。
6. 数字包容性提升： 通过支持西班牙语及计划中的 Android 版本，积极解决数字健康试验中常见的语言障碍和平台排斥问题。

4. 预期结果与现状 (Results & Status)

• 当前状态： 该论文为研究设计与原理说明（Protocol/Design Paper），招募工作已于 2026 年 3 月开始，目前正在进行中。
• 预期结果：
  • 验证 LLM 驱动的个性化辅导在短期内（2 周）是否能比通用提示更有效地增加每日步数。
  • 建立大规模、多模态的心血管健康数据集，用于验证数字生物标志物与临床结局的关联。
  • 评估不同干预策略对亚组人群（如不同疾病状态、语言背景）的异质性影响。
• 统计假设： 预计 LLM 组相比对照组能产生具有临床意义的步数增加（目标差异 500 步/天）。

5. 意义与影响 (Significance)

• 精准预防医学的范式转变： 该研究为心血管疾病的预防提供了一条可扩展、低成本的数字化路径，使数百万缺乏专业教练资源的个体也能获得基于证据的个性化指导。
• 加速数字健康研究： 通过开源平台和模块化设计，降低了数字健康研究的门槛，促进了跨学科、跨疾病的协作研究。
• 弥合数字鸿沟： 通过多语言支持和跨平台适配，致力于让不同社会经济背景和语言能力的群体都能从数字健康进步中受益，提升研究的普遍性和公平性。
• 临床转化潜力： 将 EHR 数据与实时可穿戴数据结合，为未来开发基于真实世界证据（RWE）的临床试验和临床决策支持系统奠定了基础。

总结：
"My Heart Counts"下一代研究不仅是一个临床试验，更是一个旨在重塑心血管疾病预防模式的基础设施。它通过结合大语言模型、行为科学、开源软件和大规模生物库，试图解决心血管疾病管理中“依从性差”和“干预不可扩展”的核心难题，为未来的精准数字医疗提供了可复制的蓝图。