在使用智能手机的Stop-Tabac应用程序六个月后预测戒烟,减少和复发:机器学习分析

科学领域:

• 数字健康数字健康
• 行为科学 行为科学
• 公共卫生 公共卫生

背景情况:

• 了解应用程序用户吸烟行为的预测因素对于提高戒烟干预措施至关重要.
• 关于戒烟预测因素的现有研究往往忽视了数字健康工具的独特背景.

研究的目的:

• 确定停止烟草智能手机应用程序的用户中戒烟,减少和复发的主要预测因素.
• 利用机器学习来分析大量应用用户中的吸烟行为模式.

主要方法:

• 对5293名每日吸烟者的二次分析,这些人来自禁烟应用程序的随机试验.
• 将机器学习算法应用于1个月和6个月后续调查的数据.
• 基于参与者在六个月后的反应,针对停止 (n=1407),减少 (n=673) 和复发 (n=502) 的具体分析.

主要成果:

• 6个月戒烟的预测是烟草依赖,戒烟的动机,应用程序使用频率,应用程序的感知有用性和尼古丁药物的使用.
• 烟草依赖,尼古丁药物使用,应用程序使用频率,应用程序感知有用性和电子烟使用预测吸烟减少.
• 在1个月戒烟后复发的预测是戒烟的意图,应用程序使用频率,应用程序的感知有用性,依赖程度和尼古丁药物的使用.

结论:

• 机器学习有效地确定了智能手机应用程序用户戒烟,减少和复发的独立预测因素.
• 这些发现为优化戒烟应用程序设计和未来研究提供了宝贵的见解.
• 预测者在停止,减少和复发结果之间有所不同,突出显示了需要量身定制的干预策略.