面向健康行为改变且具有用户自定义目标的自适应干预

促进健康生活方式行为仍是一项重大公共卫生关切,特别是由于其在预防癌症、心脏病和2型糖尿病等慢性病中的关键作用。移动健康应用为低成本、可扩展的健康行为改变促进提供了一条有前景的途径。研究人员正越来越多地探索根据每个人独特情境个性化干预的自适应算法。然而,在实证研究中,移动健康应用往往效应量小且依从率低,尤其是与人类辅导相比。根据个人独特目标、偏好和生活环境量身定制建议是健康辅导的关键组成部分,但在移动健康干预的自适应算法中未得到充分利用。为此,我们引入了一种新的Thompson采样算法,该算法可容纳个性化奖励函数(即目标、偏好和约束),同时利用跨个体数据共享以更快提供有效推荐。我们证明,我们的修改仅在累积后悔上产生常数惩罚,同时保留了数据共享的采样复杂度收益。我们在合成和半合成体力活动模拟器上给出了实证结果,其中后者我们通过在线调查收集与体力活动相关的偏好数据,并用于构建利用另一研究历史数据的真实奖励模型。与不进行数据共享或不优化个体化奖励的基线相比,我们的算法实现了显著的性能提升。