Cá nhân hóa ứng dụng sức khỏe dựa trên dữ liệu nào?

Trong nghiên cứu về các can thiệp sức khỏe di động được cá nhân hóa, dữ liệu phục vụ cá nhân hóa có thể đến từ hệ thống tự ghi nhận, người dùng tự báo cáo hoặc kết hợp cả hai. Một tổng quan hệ thống gồm 31 can thiệp với 77.243 người tham gia ghi nhận 12 can thiệp sử dụng dữ liệu do hệ thống thu thập, 11 sử dụng dữ liệu tự báo cáo và 8 kết hợp hai nguồn. Kết quả này cho thấy cá nhân hóa không phụ thuộc vào một loại dữ liệu duy nhất mà thường là bài toán ghép nhiều tín hiệu để tạo phản hồi phù hợp hơn.

Dữ liệu hồ sơ và mục tiêu xác định điểm xuất phát của cá nhân hóa

Những dữ liệu cơ bản như tuổi, giới tính khi có liên quan, chiều cao, cân nặng, mức vận động hiện tại, mục tiêu sức khỏe, thói quen sinh hoạt hoặc hạn chế mà người dùng chủ động khai báo tạo nên baseline, tức điểm xuất phát để ứng dụng diễn giải các dữ liệu tiếp theo.

Cùng một con số không nhất thiết mang cùng ý nghĩa cho mọi người. Ví dụ, 7.000 bước mỗi ngày có thể là mức thấp hơn thói quen bình thường của một người thường xuyên vận động nhưng lại là bước tiến đáng kể đối với người trước đó chỉ đi khoảng 3.000 bước. Vì vậy, cá nhân hóa hiệu quả thường dựa vào khoảng cách giữa trạng thái hiện tại và mục tiêu cá nhân, thay vì áp cùng một mục tiêu tuyệt đối cho toàn bộ người dùng.

Mục tiêu cũng quyết định dữ liệu nào đáng được ưu tiên. Một ứng dụng tập trung cải thiện giấc ngủ cần chú ý nhiều hơn đến thời gian ngủ, lịch ngủ và những hành vi trước giờ ngủ. Ứng dụng hỗ trợ tăng vận động lại cần quan tâm đến số bước, thời lượng hoạt động, cường độ tập luyện và mức độ duy trì thói quen.

Điểm giới hạn là dữ liệu hồ sơ thường khá tĩnh và phụ thuộc nhiều vào khai báo ban đầu. Nếu cân nặng, mục tiêu, lịch sinh hoạt hoặc tình trạng thực tế đã thay đổi mà hồ sơ không được cập nhật, cá nhân hóa có thể tiếp tục dựa trên một baseline không còn chính xác.

Dữ liệu hành vi cho biết người dùng thực sự làm gì

Dữ liệu hành vi bao gồm cả hành vi sức khỏe và cách người dùng tương tác với ứng dụng. Những tín hiệu thường có giá trị gồm mức độ hoàn thành mục tiêu, thời điểm tập luyện, số ngày duy trì thói quen, việc ghi nhật ký ăn uống, lịch sử bỏ qua hoặc hoàn thành nhắc nhở và các thông tin người dùng chủ động nhập như tâm trạng, mức đau, cảm nhận mệt mỏi hay mức độ đói.

Khác với thông tin hồ sơ, dữ liệu hành vi thay đổi liên tục. Chính sự thay đổi này cho phép hệ thống điều chỉnh trải nghiệm theo diễn biến thực tế. Nếu người dùng liên tục không hoàn thành một mục tiêu vận động, một hệ thống thích ứng có thể giảm độ khó hoặc chia mục tiêu thành các bước nhỏ hơn thay vì tiếp tục gửi cùng một yêu cầu. Ngược lại, khi mục tiêu hiện tại thường xuyên được hoàn thành, mức thử thách có thể tăng dần.

Thời điểm phản hồi cũng có thể được điều chỉnh từ hành vi. Một nhắc nhở được gửi lúc người dùng thường bỏ qua có ít giá trị hơn nhắc nhở xuất hiện tại khoảng thời gian họ thường thực hiện hành động mong muốn. Các can thiệp sức khỏe “context-aware” đã sử dụng đầu vào của người dùng, hoạt động hoặc vị trí để thay đổi nội dung can thiệp; feedback, monitoring, goal setting và planning là những kỹ thuật được dùng phổ biến trong nhóm nghiên cứu này.

Tuy nhiên, dữ liệu hành vi không phải lúc nào cũng phản ánh trực tiếp trạng thái sức khỏe. Việc người dùng không mở ứng dụng có thể do bận, mất hứng thú hoặc đơn giản là họ không cần ứng dụng trong thời gian đó. Vì thế, tín hiệu tương tác nên được đặt cạnh dữ liệu sức khỏe và bối cảnh thay vì được xem như bằng chứng độc lập về tình trạng cơ thể.

Chỉ số từ điện thoại và thiết bị đeo bổ sung dữ liệu khách quan

Điện thoại, đồng hồ thông minh và các thiết bị kết nối có thể cung cấp dữ liệu được ghi nhận tự động thay vì phụ thuộc hoàn toàn vào trí nhớ hoặc khai báo của người dùng. Tùy thiết bị và quyền truy cập, dữ liệu có thể bao gồm hoạt động thể chất, số bước, năng lượng vận động, phiên tập luyện, tốc độ, giấc ngủ, nhịp tim, nhịp tim lúc nghỉ hoặc một số chỉ số sinh lý khác.

Các nền tảng sức khỏe hiện hành cho thấy phạm vi dữ liệu này khá rộng. Health Connect của Android phân nhóm dữ liệu thành hoạt động, đo lường cơ thể, dinh dưỡng, giấc ngủ, dấu hiệu sinh tồn và các nhóm sức khỏe khác; các kiểu dữ liệu được hỗ trợ có thể bao gồm nhịp tim, biến thiên nhịp tim, nhịp thở, nhịp tim lúc nghỉ và phiên ngủ. Apple HealthKit cũng cung cấp nhiều kiểu dữ liệu sức khỏe, trong đó có nhịp tim, nhịp tim lúc nghỉ và biến thiên nhịp tim.

Giá trị cá nhân hóa xuất hiện khi ứng dụng sử dụng mẫu biến đổi theo thời gian thay vì chỉ hiển thị từng phép đo. Chẳng hạn, dữ liệu hoạt động nhiều ngày có thể giúp nhận diện thời điểm người dùng thường ít vận động; dữ liệu giấc ngủ lặp lại có thể cho thấy sự khác biệt giữa ngày thường và cuối tuần. Nghiên cứu về dữ liệu cảm biến cũng nhấn mạnh lợi thế của việc ghi nhận hoạt động liên tục trong điều kiện sinh hoạt thực tế để phân tích các mẫu và thay đổi hành vi.

Dù vậy, “được đo tự động” không đồng nghĩa với “đúng tuyệt đối”. Độ chính xác phụ thuộc cảm biến, cách đeo, điều kiện đo, thuật toán của thiết bị và dữ liệu bị thiếu. Một gợi ý có mức ảnh hưởng cao không nên dựa vào một điểm dữ liệu bất thường mà thiếu kiểm tra xu hướng hoặc nguồn dữ liệu liên quan.

Dữ liệu tự khai bổ sung những điều cảm biến không quan sát được

Không phải trạng thái nào cũng có thể suy ra từ cảm biến. Mức đau, cảm giác mệt, tâm trạng, mức căng thẳng chủ quan, cảm giác đói, nguyên nhân bỏ buổi tập hoặc mức độ sẵn sàng thay đổi thường cần người dùng trực tiếp cung cấp.

Đây là lý do dữ liệu tự khai vẫn có vai trò dù ứng dụng đã kết nối thiết bị đeo. Cảm biến có thể ghi nhận người dùng ngủ ít hơn bình thường, nhưng không tự biết nguyên nhân là lịch làm việc, chăm sóc con nhỏ hay khó ngủ. Tương tự, số bước giảm không cho biết người dùng đang nghỉ phục hồi, bị đau hay đơn giản là có một ngày làm việc tại bàn.

Khi hai nguồn dữ liệu được kết hợp, hệ thống có thể tránh một số diễn giải quá đơn giản. Một ngày vận động thấp đi kèm báo cáo mệt nhiều cần được xử lý khác với ngày vận động thấp nhưng người dùng vẫn cảm thấy khỏe và chủ động đặt ngày nghỉ.

Hạn chế của dữ liệu tự khai là phụ thuộc vào mức độ ghi chép, trí nhớ và cách mỗi người hiểu thang đo. Do đó, dữ liệu này hữu ích nhất khi câu hỏi ngắn, thời điểm ghi nhận phù hợp và người dùng hiểu rõ ứng dụng cần thông tin đó để làm gì.

Cá nhân hóa xuất hiện khi dữ liệu được biến thành quy tắc thích ứng

Thu thập dữ liệu chưa tạo ra cá nhân hóa. Cá nhân hóa chỉ xuất hiện khi dữ liệu làm thay đổi mục tiêu, nội dung, thời điểm phản hồi hoặc hành động được đề xuất.

Một chu trình điển hình có thể bắt đầu bằng baseline của người dùng, sau đó cập nhật dữ liệu hành vi và chỉ số mới, so sánh chúng với mục tiêu hoặc xu hướng cá nhân rồi lựa chọn phản hồi phù hợp. Khi có thêm dữ liệu, hệ thống tiếp tục điều chỉnh baseline hoặc chiến lược phản hồi.

Ví dụ, thay vì dùng quy tắc “mọi người phải đạt cùng số bước”, ứng dụng có thể quan sát mức vận động thông thường của từng người và đặt mức tăng phù hợp. Thay vì nhắc vận động vào một giờ cố định, ứng dụng có thể ưu tiên khoảng thời gian người dùng thường có khả năng thực hiện. Nếu nhiều ngày liên tục cho thấy người dùng không đáp ứng mục tiêu, hệ thống có thể điều chỉnh mức mục tiêu thay vì coi mọi lần chưa hoàn thành là thất bại.

Không phải mọi hệ thống cá nhân hóa đều dùng trí tuệ nhân tạo. Một tổng quan gần đây về 61 can thiệp eHealth được điều chỉnh động cho bệnh mạn tính cho thấy 74% sử dụng phương pháp dựa trên quy tắc, trong khi 13% sử dụng các phương pháp dựa trên dữ liệu như machine learning. Điều đó cho thấy logic cá nhân hóa có thể bắt đầu từ các quy tắc rõ ràng trước khi cần đến mô hình dự đoán phức tạp.

Cũng không nên mặc định cá nhân hóa mạnh hơn luôn hiệu quả hơn. Bằng chứng tổng hợp cho thấy các can thiệp cá nhân hóa có tiềm năng cải thiện hành vi sức khỏe, nhưng hiệu quả phụ thuộc loại can thiệp, nguồn dữ liệu và cách phản hồi được thiết kế; lĩnh vực này vẫn chưa hỗ trợ kết luận rằng mọi hình thức cá nhân hóa đều tạo lợi ích tương đương.

Quyền truy cập, chất lượng dữ liệu và mức độ rủi ro quyết định giới hạn cá nhân hóa

Ứng dụng không nên xem mọi dữ liệu sức khỏe có thể truy cập là dữ liệu cần thu thập. Nguyên tắc hợp lý hơn là chỉ sử dụng những trường dữ liệu có quan hệ rõ với tính năng cá nhân hóa đang cung cấp.

Các nền tảng sức khỏe cũng áp dụng quyền truy cập theo loại dữ liệu. HealthKit yêu cầu ứng dụng xin quyền đọc hoặc ghi từng loại dữ liệu sức khỏe; người dùng có thể chỉ cho phép một số loại và thay đổi quyền sau đó. Apple cũng khuyến nghị ứng dụng chỉ yêu cầu quyền khi dữ liệu thực sự cần thiết cho chức năng sức khỏe đang được cung cấp.

Điều này tạo ra một boundary quan trọng: hệ thống cá nhân hóa phải hoạt động hợp lý ngay cả khi dữ liệu không đầy đủ. Nếu người dùng không cấp quyền đọc nhịp tim, ứng dụng không nên suy diễn rằng nhịp tim “bình thường”; nó chỉ đơn giản là không có dữ liệu cần thiết cho kết luận đó. HealthKit thậm chí cố ý hạn chế khả năng ứng dụng phân biệt một số trường hợp người dùng từ chối quyền đọc nhằm bảo vệ tính riêng tư.

Mức độ tin cậy cần thiết cũng tăng theo hậu quả của quyết định. Cá nhân hóa thời điểm gửi lời nhắc vận động có thể chấp nhận tín hiệu tương đối đơn giản. Ngược lại, nội dung có khả năng ảnh hưởng đến quyết định y tế cần dữ liệu, bằng chứng và cơ chế kiểm soát phù hợp hơn nhiều. Chỉ số từ thiết bị tiêu dùng hoặc một mô hình cá nhân hóa không nên tự động được diễn giải như chẩn đoán lâm sàng.

Vì vậy, dữ liệu tốt cho cá nhân hóa không phải là dữ liệu nhiều nhất. Đó là dữ liệu liên quan đến mục tiêu, đủ tin cậy cho quyết định đang được đưa ra, có ngữ cảnh để diễn giải và được sử dụng trong phạm vi quyền mà người dùng đã cho phép.

Cá nhân hóa ứng dụng sức khỏe hiệu quả thường hình thành từ sự kết hợp giữa người dùng là ai và muốn đạt gì, họ đang làm gì, cơ thể đang ghi nhận tín hiệu gì và các tín hiệu đó thay đổi thế nào theo thời gian. Dữ liệu hồ sơ thiết lập baseline; hành vi và tự khai bổ sung động cơ, thói quen và trải nghiệm chủ quan; cảm biến cung cấp các phép đo khách quan hơn; lịch sử giúp nhận ra xu hướng và điều kiện.

Giá trị thực sự nằm ở bước sau thu thập dữ liệu: biến những tín hiệu phù hợp thành mục tiêu, phản hồi và gợi ý có khả năng thích ứng với từng người. Càng tiến gần đến những quyết định có tác động sức khỏe lớn, yêu cầu về chất lượng dữ liệu, bằng chứng, quyền riêng tư và giới hạn sử dụng càng phải chặt chẽ.