Association Between Behavioral Phenotypes and Paid Subscription and Renewal Among New mHealth App Users: Six-Month Prospective Cohort Study.

چکیده اصلی

BACKGROUND: Mobile health (mHealth) app effectiveness may be limited by low engagement. Increasing understanding of factors influencing engagement may help. Paid mHealth app subscription and renewal are two engagement metrics of particular interest to commercial app developers. OBJECTIVE: This study aims to identify homogeneous user subgroups (ie, behavioral phenotypes) within a paid mHealth app context and examine associations with app subscription and renewal. METHODS: A 6-month prospective cohort study was conducted with new users of the WayBetter (WayBetter Inc.) app, a subscription-based mHealth app. Through convenience sampling, users initiating a 7-day free trial between November 2023 and January 2024 were recruited. Latent class analysis (LCA) using the 3-step Bolck-Croon-Hagenaars (BCH) approach derived distinct classes, or phenotypes, from 33 indicator variables spanning three areas: (1) purpose-built survey responses (eg, sociodemographics), (2) device-assessed health data (eg, daily step count), and (3) 7-day free trial period engagement data (eg, app opens). Candidate LCA models ranging from 1 to 7 classes were generated. Model fit was assessed using several fit indices (eg, Vuong-Lo-Mendell Rubin likelihood ratio test [VLMR test]) alongside theoretical interpretability. Phenotypes were named based on distinct indicator probability profiles. Logistic regression was then used to estimate odds ratios (ORs) comparing the likelihood of subscription and renewal among users assigned to their most likely class, relative to a reference phenotype. RESULTS: The sample included 934 users (mean age=41.53 [SD 9.65] years, 91.97% women [859/934], 72.16% with a chronic disease diagnosis [674/934]). Based on LCA fit indices (eg, VLMR test=467.16, P=.03), the 5-class LCA model was selected: (1) high trial period engagers, (2) moderate trial period engagers with multimorbidity, (3) moderate trial period engagers with lower disease burden, (4) low trial period engagers with multimorbidity, and (5) low trial period engagers with lower disease burden. Chronic disease diagnosis and total app opens emerged as the strongest drivers of class distinction. Phenotypes 1-3 had greater odds of subscribing (OR 21.31, 95% CI 8.56-53.06; OR 7.11, 95% CI 4.04-12.50; OR 8.28, 95% CI 4.26-16.08, respectively) than phenotype 4 (OR 0.82, 95% CI 0.48-1.41), compared to phenotype 5 (the reference). Additionally, renewal odds for phenotypes 1-4 were 1.06 (95% CI 0.62-1.81), 0.90 (95% CI 0.54-1.49), 0.99 (95% CI 0.58-1.69), and 0.93 (95% CI 0.48-1.80), respectively (vs reference). CONCLUSIONS: This study extends mHealth engagement research by identifying behavioral phenotypes within a sample of subscription-based app users. Using early survey, device-assessed health, and app engagement data, five phenotypes were identified. Notably, two phenotypes were at risk of low engagement (ie, nonsubscription). Although these five phenotypes may be less useful for predicting 6-month renewal, they could support early identification of users unlikely to subscribe by the end of the free trial period, possibly allowing for more timely, targeted onboarding strategies to reduce dropout and increase the likelihood of longer-term healthy habit formation.

ترجمه فارسی چکیده

پیش‌زمینه: اثربخشی اپلیکیشن‌های سلامت همراه (mHealth) ممکن است به دلیل عدم تعهد پایین محدود شود. درک عوامل مؤثر بر تعهد می‌تواند مفید باشد. اشتراک و تمدید اپلیکیشن‌های mHealth پولی دو شاخص تعهد از نظر خاص برای توسعه‌دهندگان اپلیکیشن تجاری هستند. هدف: این مطالعه هدف دارد زیرگروه‌های همگن کاربران (یعنی پرفورمنس‌های رفتاری) را در زمینه اپلیکیشن mHealth پولی شناسایی کرده و ارتباط آن‌ها با اشتراک و تمدید اپلیکیشن را بررسی کند. روش‌ها: یک مطالعه کوهورت پیش‌رونده شش‌ماهه با کاربران جدید اپلیکیشن WayBetter (شرکت WayBetter)، یک اپلیکیشن mHealth مبتنی بر اشتراک انجام شد. از طریق نمونه‌گیری داوطلبانه، کاربرانی که یک دوره آزمایشی رایگان ۷ روزه را در نوامبر ۲۰۲۳ تا ژانویه ۲۰۲۴ آغاز کردند، جذب شدند. تحلیل کلاس پنهان (LCA) با استفاده از رویکرد ۳ مرحله‌ای Bolck-Croon-Hagenaars (BCH) از 33 متغیر نشانگر سه حوزه استخراج کلاس‌های متمایز شد: (۱) پاسخ‌های نظرسنجی مخصوص هدف، (۲) داده‌های سلامت ارزیابی شده توسط دستگاه (مثلاً تعداد گام‌های روزانه) و (۳) داده‌های تعهد دوره آزمایشی رایگان ۷ روزه (مثلاً باز کردن اپلیکیشن). مدل‌های پیشنهادی LCA از ۱ تا ۷ کلاس تولید شدند. برازش مدل با استفاده از چندین شاخص برازش (مثلاً آزمون نسبت درست‌نمایی Vuong-Lo-Mendell Rubin [VLMR test]) همراه با تفسیر نظری ارزیابی شد. پرفورمنس‌ها بر اساس پروفایل‌های احتمال متغیرهای متمایز نام‌گذاری شدند. سپس رگرسیون لجستیک برای برآورد نسبت‌های شانس (OR) استفاده شد تا احتمال اشتراک و تمدید در کاربرانی که به کلاس بیشترین احتمال اختصاص داده شده‌اند، نسبت به یک پرفورمنس مرجع مقایسه شود. نتایج: نمونه شامل ۹۳۴ کاربر (میانگین سن=۴۱.۵۳ سال، ۹۱.۹۷٪ زن، ۷۲.۱۶٪ دارای تشخیص بیماری مزمن) بود. بر اساس شاخص‌های برازش LCA (مثلاً VLMR test=۴۶۷.۱۶، P=.۰۳)، مدل LCA ۵ کلاسی انتخاب شد: (۱) تعهدکنندگان بالای دوره آزمایشی، (۲) تعهدکنندگان متوسط دوره آزمایشی با بیماری‌های متعدد، (۳) تعهدکنندگان متوسط دوره آزمایشی با بار بیماری کمتر، (۴) تعهدکنندگان پایین دوره آزمایشی با بیماری‌های متعدد و (۵) تعهدکنندگان پایین دوره آزمایشی با بار بیماری کمتر. تشخیص بیماری مزمن و باز کردن کل اپلیکیشن به عنوان قوی‌ترین عوامل متمایزکننده کلاس ظاهر شدند. پرفورمنس‌های ۱-۳ شانس اشتراک بالاتری نسبت به پرفورمنس ۴ (OR ۰.۸۲) و پرفورمنس ۵ (مرجع) داشتند. همچنین، شانس تمدید برای پرفورمنس‌های ۱-۴ به ترتیب گزارش شد. نتیجه‌گیری: این مطالعه تحقیقات تعهد mHealth را با شناسایی پرفورمنس‌های رفتاری در میان کاربران اپلیکیشن مبتنی بر اشتراک گسترش می‌دهد. با استفاده از داده‌های نظرسنجی اولیه، سلامت ارزیابی شده توسط دستگاه و تعهد اپلیکیشن، پنج پرفورمنس شناسایی شد. به طور قابل توجهی، دو پرفورمنس در معرض خطر تعهد پایین (یعنی عدم اشتراک) بودند. اگرچه این پنج پرفورمنس ممکن است کمتر برای پیش‌بینی تمدید ۶ ماهه مفید باشند، اما می‌توانند شناسایی زودهنگام کاربرانی که احتمالاً تا پایان دوره آزمایشی رایگان اشتراک نمی‌خرند را پشتیبانی کنند، که ممکن است استراتژی‌های ورود هدفمند و به‌موقع را برای کاهش ریزش و افزایش احتمال تشکیل عادت‌های سالم طولانی‌مدت تسهیل کند.

متن کامل اصلی