多模态对话代理在自我护理与慢性病管理中的用户参与模式及可持续性影响因素分析

这篇回顾性研究分析了24,537名土耳其语用户与健康应用Albert中多模态对话代理（CA）的交互数据（2022-2023年），揭示了用户参与模式与可持续性驱动因素。研究发现：56%为女性用户，92%使用通用健康计划（GEN），仅8%参与疾病管理计划（DMP）；语音交互在模糊输入（80%）、闲聊（64%）和药物任务（53%）中占主导，而临床参数记录（61%）和健康查询（59%）更依赖屏幕输入。逻辑回归显示，DMP参与（OR=0.67）、语音交互频率（OR=1.005）及临床/非临床交互平衡（OR=1.56）显著影响长期参与。研究为优化医疗CA设计提供了实证依据，尤其强调语音交互价值与用户体验策略改进需求。

　　

引言
医疗系统面临慢性病流行与个性化护理需求的双重挑战，对话代理（CA）通过自动化交互和增强数据收集成为解决方案之一。Albert Health应用整合了语音与文本的多模态CA，本研究通过分析两年期用户数据，探索其在自我护理与慢性病管理（CDM）中的实际应用模式。

方法
研究纳入24,537名土耳其用户数据，采用曼-惠特尼U检验、卡方检验和逻辑回归分析。交互意图分为临床类（健康信息、药物相关、临床参数）与非临床类（模糊输入、闲聊、技术查询）。语音与屏幕输入模式通过Google Dialogflow和Rasa平台的自然语言处理（NLP）引擎解析。

结果
用户画像显示女性占比56%，30-45岁为主（44%）。疾病管理计划（DMP）用户虽仅占8%，但交互频率显著高于通用健康计划（GEN）用户（p=0.008）。语音交互在模糊输入场景占比80%，而临床参数记录中屏幕输入达61%。可持续参与（≥2次会话）的预测因子包括：DMP参与（OR=0.67，95%CI:0.60-0.74）、语音交互比例（OR=1.005，95%CI:1.004-1.006）及临床/非临床交互平衡（OR=1.56，95%CI:1.43-1.70）。值得注意的是，CA响应置信度与参与度呈负相关（OR=0.43），可能反映高置信度回答缺乏灵活性。

讨论
性别差异可能与健康信息寻求行为相关，而年轻用户（15-45岁）的较低留存率提示需针对性设计。语音交互的便利性在非临床场景尤为突出，但医学术语识别仍是技术瓶颈（如10%的模糊输入源于术语识别失败）。单次会话用户达58%，凸显初期用户体验优化的紧迫性。

局限性与展望
研究受限于土耳其语单中心数据，且未评估图形界面影响。未来需结合定性研究探索退出原因，并测试大型语言模型（LLM）在医学术语理解中的改进潜力。

结论
多模态CA在医疗场景中呈现语音优先的交互特征，其可持续使用依赖于疾病特异性内容、交互模式平衡及响应人性化设计。研究成果为开发以用户为中心的数字化健康工具提供了关键实证依据。