斯坦福大学,哈佛大学和密歇根大学的研究人员提出了一个AI框架,他们声称该框架可用于通过智能手机提供建议,以鼓励更健康的生活方式。他们声称,通过个性化建议并将其他用户的数据用于培训,他们的做法将后悔(即事后选择更好时所采取的行动数量)减少了26%。
移动健康应用程序旨在通过提供影响广泛领域健康的机会来支持健康行为。例如,当一个人可能会遵循建议时,健康应用程序可能会在某个时间和上下文(例如天气,当前的身体活动,位置)中发送步行建议。但是,任何健康应用程序的有效性都需要在有用的时间提供建议,同时避免过度治疗,否则可能导致分离。
研究人员的系统被称为IntelligentPooling,旨在学习一种针对何时以及如何针对每个人和环境进行干预的最佳策略。它根据每个用户对决策时间(即可以提供治疗的时间)进行索引,并让用户在一天中的整个过程中选择健康建议。随着时间的流逝,系统会为每个用户制定个性化的治疗策略,并通过算法从用户设备中收集的数据中进行学习。
研究人员进行了一项研究,涉及10名使用Fitbit Versa智能手表的受试者,这是一项旨在优化1期高血压干预措施的大型试验的一部分。在整个90天的试验中,针对每个参与者,每天对活动建议进行五次随机化,并根据位置,天气,一天中的时间和一周中的某天等传感器数据进行调整。IntelligentPooling根据来自10个用户的107个数据点确定是否提出活动建议;它可以自主决定发送(或不发送)带有建议的通知。
研究人员报告说,总体而言,IntelligentPooling提出了“全方位”的可用治疗方法,尽管与基准相比发送频率较低。他们指出,这项研究规模相对较小,无法声称IntelligentPooling可以改善健康状况,而这需要进行更大的研究。但是他们断言该系统可以克服在有限的数据设置中学习个性化策略时面临的一些挑战。
研究人员写道:“当有关个人的数据受到限制时,在个性化(可能导致差异的选择)与合并(可能导致偏差的选择)之间存在自然的张力。”“我们认为自适应池化是解决个性化和池化之间权衡问题的第一步。如何量化单个用户的收益和风险的问题是未来工作的一个开放方向。”