[논문 리뷰] Micro-Randomized Trials in mHealth

Peng Liao, Predrag Klasnja외 2명|arXiv (Cornell University)|2015. 04. 01.

Mobile Health and mHealth Applications참고 문헌 27인용 수 17

한 줄 요약

이 논문은 모바일 헬스(mHealth) 간섭의 즉각적인 영향을 평가하기 위한 실험 설계로 마이크로 랜덤라이제드 시험(MRTs)을 제안한다. 여기서 치료는 참가자당 수백에서 수천 개의 결정 포인트에 걸쳐 순차적으로 랜덤화된다. 이 방법은 실시간으로 치료 효과를 추정할 수 있으며, 통계적 추론을 위한 표본 크기 계산기와 검정 통계량을 포함한다. 이는 시뮬레이션을 통해 검증되었고, HeartSteps 신체 활동 앱에 적용되었다.

ABSTRACT

The use and development of mobile interventions is experiencing rapid growth. In mobile interventions, treatments are provided via a mobile device that are intended to help an individual make healthy decisions in the moment, and thus have a proximal, near future impact. Currently the development of mobile interventions is proceeding at a much faster pace than that of associated data science methods. A first step toward developing data-based methods is to provide an experimental design for use in testing the proximal effects of these just-in-time treatments. In this paper, we propose a trial design for this purpose. In a micro-randomized trial, treatments are sequentially randomized throughout the conduct of the study, with the result that each participant may be randomized at the 100s or 1000s of occasions at which a treatment might be provided. Further, we develop a test statistic for assessing the proximal effect of a treatment as well as an associated sample size calculator. We conduct simulation evaluations of the sample size calculator in various settings. Rules of thumb that might be used in designing the micro-randomized trial are discussed. This work is motivated by our collaboration on the HeartSteps mobile application designed to increase physical activity.

연구 동기 및 목표

• 빠른 mHealth 간섭 개발과 그 즉각적 영향을 평가하기 위한 강력한 데이터 과학 방법의 부족 사이의 격차를 해소하기 위해.
• 실생활의 동적인 맥락에서 모바일 헬스 치료의 즉각적 영향을 평가할 수 있는 실험 설계를 개발하기 위해.
• MRT에서 치료 효과를 분석하기 위한 통계 프레임워크(검정 통계량과 표본 크기 계산기 포함)를 제공하기 위해.
• 모의 시뮬레이션 기반 평가를 통해 연구자들이 MRT를 설계하는 데 도움이 되는 실용적인 원칙과 통찰을 제공하기 위해.

제안 방법

• 연구 기간 동안 참가자당 수백에서 수천 개의 결정 포인트에서 치료가 순차적으로 랜덤화되어 즉각적인 치료 효과를 평가할 수 있도록 한다.
• 각 랜덤화는 상호 독립적이며, 현재 활동 수준이나 위치와 같은 실시간 맥락에 기반하여 이루어져 즉각적인 간섭의 효과를 테스트한다.
• 치료를 제공할 때의 결과에 대한 치료의 즉각적 영향을 평가하기 위한 검정 통계량을 개발한다.
• MRT에서 의미 있는 치료 효과를 탐지하기 위한 충분한 통계적 검정력을 확보하기 위해 표본 크기 계산기를 제안한다.
• 다양한 설정, 즉 다양한 효과 크기와 변동성 수준에서 표본 크기 계산기의 성능을 평가하기 위해 시뮬레이션 연구를 수행한다.
• 실제 적용을 안내하기 위해 시뮬레이션 결과에서 유도된 실험 설계에 대한 원칙을 도출한다.

실험 결과

연구 질문

• RQ1 실시간으로 제공되는 모바일 헬스 간섭의 즉각적 영향을 평가하기 위한 최적의 설계는 무엇인가?
• RQ2 고빈도의 치료 결정을 포함하는 마이크로 랜덤라이제드 시험에서 통계적 검정력을 어떻게 확보할 수 있는가?
• RQ3 실제 조건 하에서 MRT에서 의미 있는 치료 효과를 탐지하기 위해 필요한 표본 크기는 얼마인가?
• RQ4 맥락 기반 변동성 수준과 치료 효과 크기가 표본 크기 계산기의 성능에 어떻게 영향을 미치는가?
• RQ5 mHealth 연구에서 효과적인 마이크로 랜덤라이제드 시험을 설계하기 위해 유도할 수 있는 실용적 지침은 무엇인가?

주요 결과

• 제안된 표본 크기 계산기는 다양한 설정에서 시뮬레이션을 통해 잘 작동하며, 적절한 I형 오류 비율과 통계적 검정력을 유지한다.
• 검정 통계량은 효과가 작거나 맥락에 따라 달라지는 경우에도 즉각적인 치료 효과를 효과적으로 탐지한다.
• 시뮬레이션 결과에 따르면, 더 높은 주기적인 랜덤화 빈도가 통계적 검정력을 높이며, MRT에서 고밀도의 결정 포인트 사용을 지지한다.
• 시뮬레이션에서 유도된 원칙은 연구자가 랜덤화 횟수와 필요 표본 크기를 결정하는 데 실용적인 지침을 제공한다.
• HeartSteps 신체 활동 애플리케이션을 통해 실시간 mHealth 간섭에서 치료 효과의 인과적 추론을 성공적으로 지원함을 입증하였다.
• 이 프레임워크는 각 치료 제공의 즉각적 영향을 분리함으로써 즉각적인 간섭의 데이터 기반 최적화를 가능하게 한다.