Reinforcement Learning optimiert digitale Bewegungsempfehlungen und erhöht Schrittanzahl nachweisbar
Von KI ausgewählt und zusammengefasst
Worum es geht
Großangelegte 4-armige RCT mit 13.463 Fitbit-Nutzern, in der ein Reinforcement-Learning-Algorithmus personalisierte Bewegungs-Nudges (kombiniert mit Verhaltenstheorie) gegen fixe regelbasierte und zufällige Nudges sowie Kontrollgruppe testete – Outcome: tägliche Schrittanzahl über 2 Monate.
Ergebnis
Nach 1 Monat zeigte die RL-Gruppe signifikante Steigerung gegenüber Kontrolle (+296 Schritte, p<0,001), zufällig (+218, p=0,005) und fix (+238, p=0,002). Nach 2 Monaten (primärer Endpunkt) persistierte Unterschied zu Kontrolle (+210 Schritte, p=0,01). GEE-Modelle bestätigten +208 Schritte (p=0,002). RL-Gruppe berichtete höhere Zufriedenheit mit Personalisierung (37% favorable responses). Population: 86,3% weiblich, 7.711 in Analyse.
Übertragbarkeit auf Deutschland
USA, aber Effekt ist versorgungsrelevant und bevölkerungsweit skalierbar, Generalisierbarkeit auf deutschsprachigen Raum mit diverserer Population zu testen
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.