The Last JITAI? Exploring Large Language Models for Issuing Just-in-Time Adaptive Interventions: Fostering Physical Activity in a Conceptual Cardiac Rehabilitation Setting
作者: David Haag, Devender Kumar, Sebastian Gruber, Dominik Hofer, Mahdi Sareban, Gunnar Treff, Josef Niebauer, Christopher Bull, Albrecht Schmidt, Jan David Smeddinck
分类: cs.HC, cs.AI
发布日期: 2024-02-13 (更新: 2025-02-26)
💡 一句话要点
利用大型语言模型提升数字健康中的即时适应干预效果
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 即时适应干预 数字健康 心脏康复 个性化干预 上下文感知计算 行为改变
📋 核心要点
- 现有的即时适应干预模型在可扩展性和灵活性方面面临严重挑战，限制了其在数字健康中的应用。
- 本研究提出利用大型语言模型（GPT-4）生成个性化的即时适应干预，以适应患者的具体情境和需求。
- 实验结果显示，GPT-4生成的干预建议在适当性、参与度、有效性和专业性等方面均优于人类专家的建议，具有显著提升。
📝 摘要（中文）
本研究评估了使用大型语言模型（LLMs）在数字健康领域触发和个性化即时适应干预（JITAIs）的可行性。JITAIs作为一种上下文感知计算的交互模式，旨在支持可持续的行为改变，能够根据个体的当前情境和需求调整干预措施。我们测试了GPT-4在心脏康复中促进心脏健康活动的应用，生成了450个JITAI决策和信息，并与10名普通人和10名医疗专业人员生成的干预建议进行了系统评估。结果表明，GPT-4生成的JITAI在适当性、参与度、有效性和专业性等各项指标上均优于人类生成的建议，显示了LLMs在个性化健康干预中的潜力。
🔬 方法详解
问题定义：本研究旨在解决传统即时适应干预（JITAIs）在数字健康应用中的可扩展性和灵活性不足的问题，现有方法难以根据个体的具体情境进行有效调整。
核心思路：论文提出利用大型语言模型（GPT-4）生成个性化的JITAI建议，旨在通过上下文感知的方式，提升干预的相关性和有效性。
技术框架：整体架构包括数据收集、模型训练和生成干预建议三个主要模块。首先，通过三种不同的患者角色和五组情境数据生成干预建议，然后使用GPT-4进行内容生成，最后对生成的建议进行评估。
关键创新：最重要的技术创新在于将大型语言模型应用于即时适应干预的生成，显著提升了干预建议的质量和个性化程度，突破了传统方法的局限。
关键设计：在模型训练中，采用了特定的参数设置和损失函数，以确保生成内容的适当性和专业性，同时通过对比实验验证了生成建议的有效性。
📊 实验亮点
实验结果显示，GPT-4生成的即时适应干预建议在适当性、参与度、有效性和专业性等方面均显著优于人类专家的建议，具体表现为在所有评估指标上均超过了普通人和医疗专业人员，显示出提升幅度的显著性。
🎯 应用场景
该研究的潜在应用领域包括心脏康复、慢性病管理和其他需要个性化干预的健康领域。通过利用大型语言模型，能够为患者提供更为精准和及时的健康建议，促进行为改变，提升健康管理的效果。未来，类似的方法可以扩展到其他健康干预场景，推动数字健康的发展。
📄 摘要（原文）
We evaluated the viability of using Large Language Models (LLMs) to trigger and personalize content in Just-in-Time Adaptive Interventions (JITAIs) in digital health. As an interaction pattern representative of context-aware computing, JITAIs are being explored for their potential to support sustainable behavior change, adapting interventions to an individual's current context and needs. Challenging traditional JITAI implementation models, which face severe scalability and flexibility limitations, we tested GPT-4 for suggesting JITAIs in the use case of heart-healthy activity in cardiac rehabilitation. Using three personas representing patients affected by CVD with varying severeness and five context sets per persona, we generated 450 JITAI decisions and messages. These were systematically evaluated against those created by 10 laypersons (LayPs) and 10 healthcare professionals (HCPs). GPT-4-generated JITAIs surpassed human-generated intervention suggestions, outperforming both LayPs and HCPs across all metrics (i.e., appropriateness, engagement, effectiveness, and professionalism). These results highlight the potential of LLMs to enhance JITAI implementations in personalized health interventions, demonstrating how generative AI could revolutionize context-aware computing.