Chercheurs à Stanford, Harvard et à l’Université du Michigan proposer un cadre d’IA qu’ils prétendent peut être utilisé pour fournir des recommandations via un smartphone qui encouragent des modes de vie plus sains. En personnalisant les recommandations et en mettant à disposition des données sur les autres utilisateurs pour renforcer la formation, ils affirment que leur approche réduit de 26% le regret – c’est-à-dire le nombre d’actions prises quand il y avait un meilleur choix avec le recul.
Les applications de santé mobiles visent à soutenir des comportements sains en offrant des opportunités d’avoir un impact sur la santé dans une gamme de domaines. Par exemple, une application de santé peut envoyer des suggestions de marche à des moments et dans des contextes (par exemple, la météo, l’activité physique actuelle, l’emplacement) lorsqu’une personne est susceptible de suivre les suggestions. Mais l’efficacité de toute application de santé nécessite de fournir des recommandations à des moments utiles tout en évitant un traitement excessif qui pourrait conduire à un désengagement.
Le système des chercheurs, baptisé IntelligentPooling, vise à apprendre une politique optimale pour savoir quand et comment intervenir pour chaque personne et contexte. Il indexe les heures de décision – c’est-à-dire les moments où un traitement pourrait être fourni – sur une base par utilisateur et permet aux utilisateurs de choisir des recommandations de santé tout au long de la journée. Au fil du temps, le système développe des politiques de traitement personnalisées pour chaque utilisateur, en apprenant de manière algorithmique à partir des données mises en commun à partir des appareils des utilisateurs.
Les chercheurs ont mené une étude portant sur 10 sujets avec Fitbit Versa smartwatches dans le cadre d’un essai plus large visant à optimiser les interventions contre l’hypertension de stade 1. Les suggestions d’activités ont été randomisées cinq fois par jour pour chaque participant tout au long de l’essai de 90 jours, adaptées aux données des capteurs telles que l’emplacement, la météo, l’heure et le jour de la semaine. IntelligentPooling a déterminé s’il fallait faire une suggestion d’activité basée sur 107 points de données des 10 utilisateurs; de manière autonome, il peut décider d’envoyer (ou de ne pas envoyer) une notification avec une suggestion.
Les chercheurs rapportent que dans l’ensemble, IntelligentPooling a suggéré la «gamme complète» des traitements disponibles malgré leur envoi moins fréquemment par rapport à une ligne de base. Ils notent que l’étude était relativement petite et qu’ils ne peuvent pas prétendre que IntelligentPooling a amélioré les résultats de santé – cela nécessiterait des études plus importantes. Mais ils affirment que le système peut surmonter certains des défis rencontrés lors de l’apprentissage de politiques personnalisées dans des paramètres de données limités.
«Lorsque les données sur les individus sont limitées, une tension naturelle existe entre la personnalisation (un choix qui peut introduire une variance) et la mise en commun (un choix qui peut introduire un biais)», ont écrit les chercheurs. «Nous considérons la mise en commun adaptative comme une première étape pour aborder les compromis entre la personnalisation et la mise en commun. La question de savoir comment quantifier les avantages et les risques pour les utilisateurs individuels est une direction ouverte pour les travaux futurs. »
