基于机器学习的调整对针对轻度酒精使用的电子健康干预措施的有效性

科学领域:

• 数字健康数字健康
• 机器学习应用程序 机器学习应用程序
• 行为科学是一种行为科学.

背景情况:

• 电子健康干预措施对轻度酒精使用障碍有希望.
• 机器学习 (ML) 可以优化数字健康工具.
• 以前的ML分析需要复制和进一步评估.

研究的目的:

• 在对轻度酒精使用障碍的电子健康干预中评估基于ML的调整.
• 评估对早期学,参与时间和目标实现的影响.
• 复制早期的ML发现,以预测结果.

主要方法:

• 利用了来自Jellinek数字自助干预 (T0,T1,T2) 的三组观察日志数据.
• 实施了基于ML的调整,包括每日电子邮件,目标推动和删除时间限制.
• 分析数据以评估放弃率,参与时间和干预成功的变化.

主要成果:

• 观察到参与者在干预中进展的增加.
• 在实施所有调整后,出现了更高的早期学率.
• 更多的参与者设定了戒烟目标,但整体参与时间减少.
• 干预成功率显示非显著的增加.
• 在较小的电子健康数据集中,ML证明可靠地预测结果.

结论:

• 机器学习分析发现了强烈的关联因素,影响了电子健康计划的目标设定.
• 研究结果表明,ML可以优化针对酒精使用问题的电子健康干预措施.
• 进一步的研究可以完善ML策略,以改善数字健康结果.