机器学习在健康促进和行为改变:范围审查

简介

慢性病占发病率的很大一部分[1]和死亡率[2全世界]。这些疾病的发生可归因于行为风险因素，如吸烟、营养不良、饮酒和缺乏体育活动[3.］．尽管实施了许多基于生活方式的健康行为干预措施，针对可改变的风险因素，如肥胖、压力管理和久坐习惯，但个人辍学率和不遵守这些建议的比例仍然很高[4］．考虑到复杂的相互作用[5]经济和社会心理等因素，以及建议的模糊性[6，7，但要理解不服药的潜在原因是很有挑战性的。在这些因素中，影响坚持的心理社会因素是多方面的，其中的困难在于改变个人的生活方式、态度和信仰，以及内疚感。此外，由于缺乏资源(例如，缺乏支持、食物、行为改变的时间和与治疗相关的信息)，个体表达的绝望和孤立感进一步恶化。在这种背景下，很明显，个体在坚持行为改变方面面临着独特的障碍。为了解决这些障碍，行为改变干预需要是多方面的和个性化的[6］．

机器学习(ML)技术，如人工智能(AI)和自然语言处理，在过去十年中已经导致了学习算法的进步，在线数据的可用性增加，以及开发成本的降低[8］．ML领域建立在先进的统计、计算和概率技术之上，以构建自动从数据集学习的系统，并需要有限的(即有监督的)或不需要(即无监督的)人工输入来产生准确的预测和见解[9］．ML已被纳入各种健康过程，如检测和诊断疾病[10]，评估和监测人口健康[11]，提供预后和预测治疗结果[12]，以及改善健康研究和临床管理[13］．

除了移动和可穿戴传感器技术、人工智能监测系统和远程医疗服务的进步之外[14]，由于ML能够从庞大而复杂的数据集中分析信息，为用户提供现成的个性化体验，因此它受到了广泛的欢迎[8］．这种提供量身定制的干预措施的能力可能解决上述不坚持的问题[6]，为健康促进和行为改变干预提供了巨大的潜力。考虑到机器学习在过去十年中的快速发展，本文旨在概述机器学习应用的现有研究，并利用其在健康促进和行为改变干预方面的潜力。

方法

概述

鉴于这一研究领域的相对新颖性，进行了范围审查，以提供文献的概述。本文采用了Arksey和O 'Malley提出的五阶段框架[15]并根据PRISMA-ScR(用于范围评审的系统评审和元分析的首选报告项目)指南进行报告[16]，即:(1)确定研究问题;(2)确定相关研究;(3)选择研究;(四)将数据制成图表;(5)整理、总结并报告结果。因为界定综述旨在描绘文献中研究的程度和性质，而不是评估其质量[15]，该团队没有对纳入的研究进行正式的质量评估。

确定研究问题

为指导这篇综述而制定的主要研究问题如下:“机器学习技术如何被用作健康促进和行为改变干预的策略?”

确定合适的研究

制定了一项搜索策略，以确定关于ML技术的研究，以促进行为变化和身心健康。从开始到2021年2月，共搜索了9个数据库，目的不仅包括多个学科(Scopus和Web of Science)，还包括特定学科，包括生物医学(Cochrane图书馆、Embase、PubMed、Ovid和ProQuest)、护理和联合健康(CINAHL)和心理学(PsycInfo)。为了尽量增加所生成的文章数量，我们对出版日期和类型没有限制，以保持全面和更新的检索[17］．相关关键词和医学主题标题(MeSH)术语被使用，包括“学习、机器”、“行为控制”、“医疗保健”和“精神健康”(多媒体附件1)．在适当的地方，关键字被截断，并添加布尔术语，以最大限度地检索所有相关文章。研究的最终参考文献亦手工检索相关文章[18］．

选择研究

初级研究(包括用户初步测试或初步研究)如果将ML纳入促进健康或行为改变，并以英文发表(因为团队无法获得翻译)，则有资格进行标题和摘要筛选。由于这篇综述旨在研究在健康应用中结合ML技术的现实意义和经验，因此只有研究了至少一组参与者的文章才会被包括在内。因此，那些没有这样的报告结果，如会议摘要、提案和报纸专栏被排除在外。此外，如果文章审查了其他健康领域，如疾病的检测或诊断、人口健康监测、治疗结果的预后和预测以及研究和临床管理，则将被排除在外。最后，由于ML技术可能与统计方法重叠[19]， 3名审稿人在确定哪些文章使用了ML技术时进行了自由裁量。

从数据库检索到的所有记录都上传到EndNote X9 (Clarivate Analytics)，然后通过电子方式删除重复记录。在标题和摘要的筛选过程中，其余文章由2名审稿人(JOY和BC)独立审查。不符合资格标准的文章将被删除，而那些被至少一名审稿人认为合适的文章将被下载以进行进一步审查。征求了第三个审稿人(YSG)的意见，审稿人之间的分歧经协商一致解决。

绘制数据图表

对于每项研究，数据提取由一名审稿人(JOY)进行，并由另一名审稿人(YSG)独立验证。以下信息被制成表格:作者、出版年份、目标、主要发现、健康促进领域、分析的用户数据、使用的机器学习类型、遇到的挑战和未来的研究。这些信息为本综述中主题的后续形成提供了信息。

结果

文章选择

文献检索于2021年2月结束，产生2673个搜索结果。删除了1035个重复的文章后，对标题和摘要进行了筛选，在此期间又删除了1481篇文章。其余157篇纳入全文筛查的文章中，128篇(82%)因重复文章、未使用ML作为主要成分或不关注健康行为变化等原因被删除，剩下29篇(18.4%)纳入本综述(图1)．

‎ 查看此图

物品的特点

收录的文章发表时间为2001年至2020年。文章中提出的健康促进领域各不相同，包括:体育活动(9/ 29,31%);戒烟(4/29,14%);体育活动和饮食习惯(4/ 29,14%);压力检测或管理(2/ 29,7%);体重管理(2/ 29,7%);体育活动与防晒行为(1/ 29,3%);一般自我健康管理(1/ 29,3%);心理健康自我管理(1/ 29,3%);高血压的自我健康管理(1/ 29,3%); self-health management for sickle cell disease (1/29, 3%); help-seeking behavior for heart attack (1/29, 3%); diabetes prevention (1/29, 3%); and mindfulness meditation (1/29, 3%;多媒体附件2)．研究结果提出了三个主题:(1)促进因素，即采用信息技术优化系统运行;(2)挑战，即文章中提出的各种障碍和限制的讨论;(3)未来发展方向，探讨ML促进健康的前瞻性策略。

主题

主题1:使能者

两个关键领域——使用的ML或AI技术类型和数据分析——已被确定为对应用程序的实现至关重要。一些研究在设计中使用了监督ML技术和算法[20.-23];在这些研究中，标签数据集，如支持向量机[20.]，马尔可夫逻辑网络模型[21]， Naïve贝叶斯分类器[23]，以及决策树算法[22]被用来训练分类或预测的算法。一项研究使用了无监督ML算法，如欧几里得距离相似算法[24]，它识别了未标记数据集中的隐藏模式，为用户推荐最合适的消息。另一项研究采用了多武装强盗模型[25，这是一种强化ML技术，可以最大化累积奖励，帮助用户实现其行为目标。然而，大多数研究要么没有指定ML的类型，要么只说明了基于规则的算法的使用[26-39］．

在这些研究中，一些研究纳入了人工智能虚拟代理，如具身对话代理或关系代理[22，31，34，38，40]，而其他人则在设计中加入了聊天机器人[28，39，41，42］．虚拟代理的部署允许ML算法的反馈和数据输出呈现给用户，并且通常被设计为模仿类似人类的外观或面部表情。29项研究中分析的数据包括自我报告[20.，24，26，29，32-37，39，43-48]、GPS或可穿戴传感器数据[20.，23，25，29，31，36，39，45，46]，应用程序生成的数据，例如与聊天机器人的对话或用户在应用程序中的交互[21-24，27-29，31，34，35，38-42，45，46]，以及临床资料及健康纪录[21，49］．

主题2:挑战

我们生成了两个子主题来集中研究中确定的不同挑战，分别是(1)与应用程序或ml相关的挑战和(2)来自当前研究的方法学挑战。此外，4/29(14%)研究[24，28，31，37]没有讨论任何挑战，因此被排除在本主题之外。

与应用程序或ml相关的挑战

许多研究已经确定了特定于其应用或ML模型的困难。其中一个挑战与可用性有关。在一些研究中，可用性是事先考虑的，因此通常不会使后续测试复杂化[28，44，45］．然而，在1/29(3%)针对身体活动的研究中[29]，由于参与者家中的空间限制，以及需要在家中的各种数字系统之间切换，可用性问题被注意到。由于这项研究涉及的老年人可能在使用复杂的数字设备方面有困难，因此系统的可用性值得改进。

另一个挑战涉及健康行为应用的个性化程度，如4/29(14%)研究所强调的[25，27，45，47］．缺乏个性化导致应用程序生成的建议不是为用户量身定制的[25];这也导致了问题的重复[27］．此外，过度个性化，侵入个人的私人生活，可能会破坏保密和隐私。45］．类似的挑战是应用程序的自动化程度，正如Block等人所强调的那样[49]和Traficante [47］．虽然他们的干预试验表明在减少糖尿病相关因素方面取得了成功，但他们提出了警告，即增加人工支持可能对特定用户更有益。因此，这些健康行为应用程序的个性化和自动化程度保证了谨慎考虑用户利益最大化和缺陷最小化之间的平衡。

自我报告结果测量的准确性是另一个障碍，这反映在6/29(21%)项研究中[34，35，39，43，44，48］．虽然有些人采用了客观和自我报告的混合结果[35，39，44]，其他人只收集自我报告的问卷[34，43，48］．这些结果通常试图描述难以量化的健康行为，如体育活动和饮食摄入，因此准确性可能值得关注。此外，1/29(3%)研究[20.]报告了身体传感器的突兀性是其客观结果测量的不利因素;为了解决这个问题，作者减少了这种传感器的数量，只监测参与者基于计算机和姿势的行为模式。

挑战还来自系统的特定组件，如机器人编程[27]，训练应用程序中使用的ML模型[40，42]，以及追踪用户的生活方式[32，36］．在机器人编程中，主要的困难在于确保各种机器人模块具有类似人类的属性。27］．这些方面包括语音(语调和速度)、外观(呼吸、坐立不安、眼睛颜色和面部跟踪)以及与用户交互的流畅性(对语音的理解)[27］．此外，机器人无法复制人类的某些方面，如总结和反思主题的含义。27］．

在训练应用程序中使用的ML模型时，主要的困难在于需要大量的输入，这在2/29(7%)的研究中确定[40，42］．在这两项研究中，他们的自然语言模型使聊天机器人或虚拟教练能够理解用户的话语并做出适当的回应。假定用户在会话流利性方面接受了相当多的训练，他们可能会因为模型无法理解他们而感到沮丧[40］．为了缓解这一问题，添加了基于多项选择的选项，这比自由形式的自然语言输入更有效[40］．

最后，在追踪使用者的生活方式时，主要的困难在于使用者的不便，2/29(7%)的研究强调了这一点[32，36］．使用生态瞬时评估并重复记录以获取用户的数据(如身体活动和饮食摄入量)，被发现既耗时又不方便[32］．因此，maione等人[32]将他们的跟踪系统连接到带有传感器和外部功能(如天气预报和公交站点地图)的可穿戴设备上。这不仅最小化了用户的负担，而且还为他们的输入添加了上下文化的细节。拉赫马尼等人[36该公司更进了一步，创建了用户日常活动的个人编年史(“Personicle”)，整合了来自传感器数据、智能手机应用程序(如日历、待办事项和社交媒体)和环境声音等多种数据流。

来自当前研究的方法论挑战

除了与应用程序或ml相关的挑战外，还遇到了方法方面的挑战。在25项被回顾的研究中，15项(60%)[21-23，29，33，35，38，39，41，43-48]列举了一些挑战，如由于样本量小，数据收集有限，人口统计学代表性不足，以及实验室设置的选择(即缺乏生态有效性)而限制了泛化性。其他包括较短的测试周期[22，25，34，49]以及由于使用未细化的原型或算法而导致的有限结果[26，35，41，45，46］．这些挑战并不令人惊讶，因为其中许多工作都是试点、可行性或可用性研究。开发人员经常面临有限的资源，导致对低保真度或有待改进的原型进行小规模调查。在这类研究中，后期参与者往往有更好的体验，因为用户数据的累积添加将使开发人员能够进行持续的调整，并使ML算法能够持续地进行系统改进[41］．

此外，在确保所收集数据的质素方面亦有困难[20.，39]，在评估性比较中，由于缺乏对照组[39，43，44，48]，以及在确定因果关系时[39］．在确保数据质量方面，主要困难是数据输入错误，例如传感器故障或传输故障[20.]及在用户输入的资料内[39］．例如，在斯坦和布鲁克斯的研究中[39]，通过传感器收集的身体活动数据可以由用户修改，而饮食摄入量数据则由用户手动输入应用程序。当由于用户的疏忽而导致输入不完整或不准确时，这样的数据收集可能会影响数据质量。最后，Stein和Brooks报告了确定因果关系的困难[39]因为可能存在混淆因素，如受试者同时参与其他减肥干预。

主题3:未来方向

这篇综述为ml相关研究提供了有价值的见解，包括改进基于ml的技术如何被提议用于未来的健康促进应用。大多数研究[20.-22，24-29，31-34，36-49]提出了ML在促进健康和改变行为方面的有效性。然而，在比较基于ml的应用和典型应用时，一些研究无法提供其结果的任何统计差异[23，35］．因此，为了解决上述的一些挑战，并据此提出未来工作的发展领域，产生了以下两个子主题:(1)未来研究和(2)ML的未来应用。两项研究[24，28]没有为未来的研究提供建议，这导致他们被排除在这个主题之外。

未来的研究

本子主题探讨了两个可能需要解决的领域——方法学设计和潜在的研究领域——为未来的ML研究提供信息。就方法学设计而言，许多研究强调了纵向调查的必要性，以便为ML模型收集更多数据，并确定干预诱导的行为变化是否持续较长时间[20.，25，30.，33，44，49］．为了排除使用ML作为健康行为改变干预的新奇效应，这一点尤其正确。此外，建议参与者在研究前增加缓冲时间以适应应用程序[27］．此外，应通过事先筛查参与者来考虑潜在的混杂变量[39]并通过扩大人口统计代表性，特别是年龄、种族和社会经济地位方面的代表性[26，27，33，38，39，41，48，49］．最后，应考虑所有涉众的观点，以整体评估应用程序的可接受性和可用性[41，47］．

就潜在的研究领域而言，对未来研究的建议是很多的。研究可考虑研究不同措施的效果，例如:通知内容及目的对使用者接受度及回应率的影响[23];复杂的图像，如游戏和聊天机器人在用户行为变化期间的粘性[46];使用数字服务作为用户互动的积极参与者[46］．此外，还可以进行研究，以调整变量，以解决吸烟者在预先考虑阶段的问题[37]，以比较同时干预模式与连续干预模式在体力活动和脂肪摄入干预方面的差异[43]，以研究虚拟代理情绪的影响[22]，并将user control元素添加到ml生成的建议[25］．最后，研究人员还可以考虑在其他健康行为上测试他们的应用程序[21，23，26，42］．

ML的未来应用

除了解决已确定的挑战之外，还强调了未来工作的几个机会，以进一步开发和完善ML在健康促进和行为改变方面的应用。首先，考虑到用户的不便以及人为和传感器相关的错误[20.，34，35，39，43，44，48]，有效的数据输入模式，只需最少的用户努力和鼓励持续参与，值得更多的关注[32］．未来的工作可能会相应地考虑开发检测传感器故障的系统[20.]以及那些解释错误的自我报告测量的方法[34］．其次，已证实的结果测量和调查在检测细微的日常行为变化方面表现出较低的敏感性，如一项研究中的短期干预所示[34］．因此，未来的工作可能会考虑进一步研究这些干预措施的有效性。第三，基于ml的应用程序提供了集成到医疗保健交付系统的潜力[21］．但是，必须小心确保向用户提供的资料的可靠性和安全性[21］．最后，Kulyk等人[31]强调有必要制定评估卫生技术的准则和标准化。他们建议采用多学科方法和独立的评估人员来检查应用程序所有发展阶段的干预措施的效果，不仅要鼓励持续参与和激励，还要满足目标用户的需求。

讨论

主要研究结果

这篇综述对ML技术在健康促进和行为改变中的应用进行了深刻的概述，并讨论了未来工作的挑战和潜在机遇。排除4项研究[22，37，43，47]，其他大多数研究都是在过去十年进行的，这表明最近人们对这个话题的兴趣越来越大。此外，本综述中的大多数干预措施涉及身体活动，而针对某些疾病或针对吸烟或精神健康的干预措施相对较少。因此，这种涉及身体活动的干预可能是未来工作的兴趣所在。

在回顾的研究中，一个值得注意的发现是开发基于ml的应用程序所需的时间。一些研究[20.-25]指定了所采用的方法，包括监督ML、无监督ML和强化ML技术。它们在使用监督(标记)数据集(需要额外的人工干预)和无监督(未标记)数据集方面有所不同。无监督的机器学习，加上虚拟代理、具身对话代理和类人机器人的结合，需要大量的时间和资源来编程自然语言处理和训练机器学习模型[27，40，42］．鉴于需要这样长的时间，所涉方法学问题是，所审查的研究大多涉及原型研究和初步研究。

此外，基于ml的应用程序的复杂性和全面性随着提供给算法的数据量的增加而增加。其实际含义是，早期参与者(他们可能体验到更基本的系统)和晚期参与者(他们体验到更完善的系统)之间的体验是不同的[41］．这些发现表明，为了更加谨慎和自信地评估这种基于ml的应用程序的影响，需要在以后更成熟的发展阶段进行更多的研究。因此，开发人员可能会考虑结构化的数据输入，例如基于多项选择的选项[40]以帮助ML系统在应用程序训练期间改进和提高反馈的准确性。基于机器学习的应用程序的这些独特方面值得在未来将机器学习技术纳入设计的研究中加以考虑。

另一个值得注意的发现涉及到研究设计中的障碍，这可能会影响其结果，即缺乏对照组[39，43，44，48]、有限的数据收集时间或样本[21-23，29，33，35，38，39，41，43-48]，以及潜在的混杂因素，如参与其他类似的干预[39］．为了改进研究设计并将混杂因素的风险降至最低，应将部署等待名单对照组和公开参与其他类似干预措施作为研究方法的一部分。此外，对于数据收集有限的短期试点和原型研究，后续纵向研究不仅可以提供更多有利于ML系统训练的数据，还可以洞察干预的潜在持久影响。最后，在这些障碍的背景下，如Kulyk等人所提倡的，卫生技术将受益于一套准则和标准化[31]，在各个发展阶段进行持续评估，以最大限度地发挥使用者满足目标健康行为的潜力。

另外两个方面值得讨论，即:(1)用户通过自我报告和使用传感器提供准确数据以跟踪其生活方式的负担;(2)个性化带来的挑战。虽然系统检测传感器故障[20.]和错误的自我报告方法[34]可能会提高行为测量结果的准确性，这一研究领域还需要进一步的工作，特别是随着近年来传感器使用的增加[50］．此外，通过增强硬件来减少传感器故障的方法可以提高数据的质量。此外，个性化不足和过度都会导致对用户的反馈过于通用，并侵犯隐私;因此，这方面需要开发人员谨慎而敏感地处理，以在提供定制和维护隐私之间取得平衡。综上所述，回顾的研究所确定的挑战强调了对设计的需求，该设计不突兀，需要最小的用户输入，鼓励持续参与，并在不侵犯隐私的情况下实现个性化。除了这些努力之外，还应加大投资，将多种ML和AI技术结合起来以实现协同作用。

限制

这篇综述及时地概述了ML在医疗技术中的新兴领域，以及对未来工作的潜在参考价值。尽管如此，有几个限制是值得注意的。首先，由于缺乏翻译人员，本综述只包括了英语研究，因此研究结果可能无法推广。此外，本次审查的预定义范围意味着排除了检查其他健康领域的研究，例如检测和诊断医疗状况。其次，尽管使用了许多组合，试图将ML的概念封装在我们的搜索策略中，但ML技术的种类繁多，以及它们与统计方法的重叠[19]，可能会导致遗漏符合条件的研究。最后，尽管机器学习技术在促进健康和改变行为方面具有可证明的可行性，并具有整合到医疗保健系统中的潜力，但大多数被回顾的工作都是试点研究或原型研究，因此需要进行更多的调查以确定干预措施的临床效用。

结论

本文通过绘制ML在健康促进和行为改变方面的相关挑战，并强调未来工作的潜在领域，研究了ML在健康促进和行为改变方面的使用。这些发现共同表明，这些挑战不仅涉及基于ml的应用程序的时间和资源消耗性质，还涉及用户在数据输入方面的负担和个性化程度等问题。未来的工作可能会考虑在ML使用仍然有限的精神健康促进等领域相应地减轻这些挑战的设计。