Characterizing acceptance of Internet of Things solutions for Active and Healthy Ageing.

Abstract

A digitalização dos cuidados de saúde tem o potencial de aliviar a carga sobre sistemas nacionais de saúde causado pelo envelhecimento da população. No entanto, os utilizadores podem abandonar uma aplicação ou solução tecnológica a qualquer momento por uma variado número de razões, o que pode reduzir a eficácia da intervenção e até mesmo aumentar o problema de saúde ou os riscos associados à doença. Neste sentido, é de extrema importância identificar os utilizadores com maiores riscos de deixarem de utilizar uma solução, e até mesmo prever quando a quebra da adesão poderá acontecer. Esta previsão gera a oportunidade de aplicar estratégias de intervenção personalizadas com o objetivo de recuperação da baixa adesão e prevenção do abandono da solução. Além disso, a previsão poderá ainda revelar insights sobre quais fatores que estão a criar atrito à adesão, o que pode permitir a implementação de estratégias mais globais.O objetivo principal deste trabalho é pesquisar os fatores, barreiras e necessidades dos usuários de tecnologias de saúde que possam contribuir para a detecção precoce da falta de motivação e consequente abandono. Em particular, o objetivo é pesquisar e desenvolver modelos que 1) possam detectar padrões de abandono precoce e 2) fornecer uma explicação para essa falta de motivação para uso da solução que permita a introdução de intervenções personalizadas.Este estudo foi apoiado pela base de dados ACTIVAGE Madrid Deployment Site atualmente disponível na Universidad Politécnica de Madrid (UPM), que inclui os dados de cerca de 800 participantes num projeto piloto sobre o uso da tecnologia para promover o envelhecimento saudável e ativo.Para atingir o objetivo proposto, é utilizada uma abordagem de ciência de dados e foram criados três modelos principais: um Modelo de Regressão para a previsão de uma percentagem de adesão e dois Modelos de Classificação Binária para a previsão de um nível de adesão (baixo ou alto), o segundo dos quais filtrado para apenas quando o período anterior à previsão teve um nível de adesão alto.O classificador final obteve um F1-score de 0,81126 usando um Random Forest Classifier e permitiu a inferência das características mais relevantes para a diminuição da adesão, usando valores SHAP.

The digitalization of healthcare has the potential to alleviate the burden on national health systems due to the aging challenge. However, users may abandon a technological application or solution at any time due to a multitude of reasons, which could reduce the effectiveness of the intervention, and even increase the health problem or disease-associated risks. Therefore, it is of the utmost importance to identify users with higher risks of getting disengaged from a solution, even predicting when the disengagement could happen. This creates the opportunity of applying tailored personalized intervention strategies aiming at recovering from low adherence and prevention of dropout. In addition, this prediction could also reveal insight into which factors are causing attrition to adherence, which could allow for the implementation of more global strategies.The main goal of this study is to research the factors, barriers and needs of aging users of healthcare technologies that may contribute to the early detection of lack of motivation and consequent disengagement. In particular, the goal is to research and develop models that 1) can detect early dropout patterns and 2) provide an explanation of this lack of engagement that allows the introduction of tailored interventions.The study was supported by the ACTIVAGE Madrid Deployment Site database currently available in the Universidad Politécnica de Madrid (UPM), which includes the data of about 800 participants in a pilot project on the use of technology to promote healthy and active aging.To achieve the proposed goal, a data science approach is used and three main models were created: a Regression Model for the prediction of an adherence percentage and two Binary Classification Models for the prediction of an adherence level (low or high), the second of which filtered for only when the period preceding the prediction had a high adherence level.The final classifier achieved a F1-score of 0.81126 using a Random Forest Classifier and allowed for the inference of the most relevant features for the decrease of adherence, using SHAP values.