O Novo Padrão para Coaching Digital de Saúde — Como o Motor de Coaching com IA de 8 Etapas do HAVIT Integra Personalização, Feedback Imediato e Gatilhos Comportamentais

1. Por Que Prescrições Estáticas Falham — Evidência Clínica

O padrão mais comum em aplicativos de dieta é a prescrição "meta uniforme baseada em IMC + dieta uniforme + exercício uniforme". A literatura é clara sobre os limites:

• Zeevi et al. (2015, Cell) — 800 indivíduos; respostas glicêmicas pós-prandiais variaram extremamente entre pessoas para os mesmos alimentos. Prescrição dietética uniforme tem fraco suporte acadêmico.
• Berry et al. (2020, Nat Med — PREDICT 1) — 1.002 gêmeos e indivíduos; respostas pós-prandiais dominadas por ambiente/comportamento/microbioma sobre genética. Nutrição personalizada superou diretrizes padrão.
• Patel et al. (2015, Ann Intern Med) — A eficácia de ferramentas digitais de saúde escala com a integração de "personalização · imediatismo do feedback · gatilhos comportamentais".
• Tate et al. (2003, JAMA) — Intervenção comportamental digital produziu 1,7× a perda de peso do fornecimento padrão de informações. O núcleo: frequência de feedback.

Resumo: O estado do usuário muda dentro de um único dia, então a prescrição deve se adaptar a essa mudança para ser eficaz.

A semana de uma pessoa se parece com isso:

• Segunda: muitas reuniões → risco de deficiência de proteína
• Terça: 5 horas de sono → surto de hormônio do apetite (grelina↑)
• Quarta: trabalho até tarde → impulso de comer fora, lanchar
• Quinta: normal → bom dia de exercício
• Sexta: jantar da empresa → risco de álcool, comer demais
• Sábado: alta atividade → margem calórica
• Domingo: estase → recuperação da dieta

Prescrever a mesma dieta diariamente é a raiz do fracasso.

Hipótese do HAVIT: A eficácia melhora quando a prescrição se adapta em tempo real dentro de um dia — um design baseado em evidência acadêmica.

2. Fundamentos Acadêmicos — Modelo de Comportamento de Fogg + Teoria da Autodeterminação

O design do motor de coaching do HAVIT é construído sobre dois pilares da ciência comportamental:

2.1 Modelo de Comportamento de Fogg (BJ Fogg 2009, Persuasive Technology Conference)

B = M × A × P — O comportamento ocorre quando Motivação, Habilidade e Prompt (termo original: Trigger/Gatilho) coexistem. Fraqueza em qualquer um impede o comportamento.

2.2 Teoria da Autodeterminação (Deci & Ryan 2000, Psychological Inquiry)

A motivação intrínseca é sustentada quando três necessidades psicológicas são atendidas: autonomia, competência, pertencimento. Motivação extrínseca (recompensa, pressão) produz apenas efeitos de curto prazo e falha na manutenção de longo prazo (Teixeira et al. 2012, Int J Behav Nutr Phys Act).

Implementar isso em um sistema de coaching digital significa que motivação · habilidade · gatilho devem operar simultaneamente, enquanto a entrega da mensagem preserva autonomia · competência · pertencimento.

O motor de 8 etapas do HAVIT decompõe esse requisito passo a passo.

3. O Motor de 8 Etapas — Resumo de Uma Linha

1. Classificação de Intenção       (classificar intenção do usuário em 8 categorias)
2. Recomendação Vector DB          (combinar com biblioteca de mais de 2.000 comportamentos)
3. Geração de Coaching CARE        (Compaixão → Reconhecer → Recomendar → Educar)
4. Portão de Segurança             (escalação de 3 níveis, detecção automática de risco)
5. Personalização de 5 Níveis      (Estado → Tipo → Comportamento → Persona → Dia)
6. POR QUE Científico de 3 Camadas (Mecanismo → Efeito → Personalização)
7. Integração de Medicação GLP-1   (estágios de tratamento M0/M1/M2)
8. Localização                     (33 idiomas × mais de 40 pontos de entrada)

4. Etapa 1 — Classificação de Intenção

Um usuário envia uma mensagem: "Comi besteira ontem à noite, o que devo fazer hoje?"

Um chatbot genérico combina palavras-chave "noite, comer demais, arrependimento" e dá respostas genéricas. O HAVIT classifica entre 8 intenções do usuário:

Classificações de baixa confiança acionam perguntas de acompanhamento. A classificação de intenção é a base da qualidade do coaching — diretamente ligada ao requisito de "autonomia" da Teoria da Autodeterminação (o sistema identifica com precisão o que o usuário quer).

5. Etapa 2 — Recomendação Vector DB

Uma vez classificada a intenção, a correspondência é extraída da biblioteca de mais de 2.000 comportamentos.

Exemplo de entrada da biblioteca:

action_id: A_0247
type: ação dietética imediata
trigger: intenção #3 (guia de ação imediata) + sinal de comer demais ontem
title: "+20g proteína, -100kcal carboidratos no almoço hoje"
why_mechanism: proteína aumenta hormônios da saciedade (GLP-1, PYY)
why_effect: calorias da próxima refeição naturalmente reduzidas (Westerterp-Plantenga 2009)
why_personalization: correspondência com arquétipo do usuário #47 (tipo deficiente em proteína)
delivery: notificação 30 min antes do almoço
fatigue_score: 0.3 (ação similar 0 vezes nos últimos 7 dias → fresca↑)

Técnica central — Rotação consciente de fadiga: Repetir a mesma recomendação faz os usuários ignorarem → eficácia da ação cai para 0 ("fadiga de prompt" do Modelo de Comportamento de Fogg). O Vector DB rastreia o histórico recente de recomendações e prioriza ações com baixas pontuações de fadiga (menos repetidas). 5–10 ações de efeito similar existem no pool para manter diversidade.

→ Alinha-se com o requisito de "competência" da Teoria da Autodeterminação: os usuários encontram novos desafios e escolhas a cada vez.

6. Etapa 3 — Geração de Coaching CARE

Como a ação combinada é entregue determina o efeito. O HAVIT segue o quadro CARE:

C — Compaixão (Compassion)
    "Refeição tarde da noite, completamente compreensível. Difícil não ser influenciado após 5 horas de sono."

A — Reconhecer (Acknowledge)
    "Já aconteceu, e você tem duas refeições restantes hoje."

R — Recomendar (Recommend)
    "Adicione +20g proteína no almoço → apetite à noite naturalmente reduz. Opções: peito de frango 100g ou tofu 200g."

E — Educar (Educate)
    "Proteína regula naturalmente hormônios da saciedade. Não é conselho genérico — baseado nos dados da sua média de proteína de 7 dias."

O quadro CARE é projetado para preencher cada elemento do B = M × A × P do Modelo de Comportamento de Fogg:

• C + A → Motivação (necessidades de autonomia e pertencimento da Teoria da Autodeterminação atendidas)
• R → Habilidade (opções concretas → custo de comportamento reduzido)
• E → Prompt (por que agora importa)

Sem CARE, uma mensagem "apenas coma mais proteína" — deixa os usuários presos em culpa e generalidade (limites de motivação extrínseca da Teoria da Autodeterminação).

7. Etapa 4 — Portão de Segurança

Prescrições de mudança de comportamento podem piorar o risco se equivocadas. O HAVIT detecta automaticamente sinais de risco através de um sistema de segurança de escalação de 3 níveis:

Nível 1 — Aviso automático
  Gatilho: 24h zero refeições / calorias diárias extremamente baixas / mudanças rápidas de peso, etc.
  Ação: "Suas calorias estão baixas recentemente. Você está comendo o suficiente?"

Nível 2 — Restrição comportamental
  Gatilho: Sinal de Nível 1 por 3 dias consecutivos / tontura auto-relatada, dor de cabeça
  Ação: Prescrição auto-conservadora + encaminhamento para consulta com profissional de saúde

Nível 3 — Encaminhamento médico
  Gatilho: Sinal de risco de transtorno alimentar (auto-relatado ou padrão) / referência a autolesão
  Ação: Coaching geral pausado + linha direta de emergência · encaminhamento para especialista

→ HAVIT é uma ferramenta não clínica, mas clinicamente consciente no design. Bloqueia a possibilidade de que prescrições erradas coloquem os usuários em perigo.

8. Etapa 5 — Personalização de 5 Níveis

Camada de "hiperpersonalização" do HAVIT. Correspondência de 5 camadas:

Camada 1 — Estado (estado atual)
  Sinais em tempo real: peso, composição corporal, sono, humor

Camada 2 — Tipo (tipo corporal·metabólico)
  126 arquétipos (ex.: mulher 30 anos · baixo músculo · noite · privada de sono)

Camada 3 — Comportamento (padrão de comportamento)
  Últimos 7~30 dias: dieta, exercício, frequência de registro, atividade diária

Camada 4 — Persona (tipo de personalidade·motivação)
  Desafiador / Orientado por recompensa / Social / Analítico (personas de BJ Fogg)

Camada 5 — Dia (condição de hoje)
  Dia da semana, agenda, ciclo menstrual (mulheres), etc.

Uma prescrição que corresponde a todas as 5 camadas alcança o usuário em cada momento. Mesmo horário, mesmo arquétipo — mas persona/dia diferente → prescrição diferente.

Esta é a substância de N-de-1. A implementação de "prescrição combinada a um indivíduo em vez de uma média" que Zeevi 2015 / Berry 2020 sugeriram.

9. Etapa 6 — POR QUE Científico de 3 Camadas

Fortalece a etapa E (Educar) do CARE. Cada prescrição carrega justificativa de 3 camadas:

Camada 1 — Mecanismo (fisiológico)
  "Proteína → liberação de CCK, GLP-1, PYY → saciedade"

Camada 2 — Efeito (empírico)
  "+20g proteína → diminuição média de calorias na próxima refeição (Westerterp-Plantenga 2009)"

Camada 3 — Personalização (seu caso)
  "Seu arquétipo #47, padrão deficiente em proteína, média da semana passada 88g — recomendado 112g, -24g a menos"

→ Em vez de genérico "por que proteína é boa para dieta," evidência combinada aos seus dados.

Os usuários veem imediatamente por que "a IA lhes disse isso". Atende ao requisito de "competência" da Teoria da Autodeterminação — os usuários entendem a base de suas decisões.

10. Etapa 7 — Integração de Medicação GLP-1

Usuários de medicamentos GLP-1 (Wegovy, Mounjaro, Zepbound) precisam de prescrições diferentes. O HAVIT separa por estágios de tratamento M0/M1/M2:

• M0 (pré-medicação): medição de linha de base + dieta de preparação para efeitos colaterais GI
• M1 (adaptação): preservação muscular + preparação para platô
• M2 (manutenção/descontinuação): habituação comportamental + prevenção de reganho (resposta STEP 4)

Esta integração implementa o modelo "medicamento + terapia comportamental" recomendado pelas Diretrizes de Gestão Clínica da Obesidade da OMS (2022) e Padrões de Cuidado da ADA (2024) — o mesmo modelo onde STEP 3 (Wadden et al. 2021, JAMA) mostrou IBT em combinação produzindo quase 3× a perda de peso do cuidado padrão (-16% vs -5,7%).

A saída do motor de 8 etapas auto-ajusta ao estágio M do usuário:

• Usuário M1 perguntando "como está hoje?" → proteína e força priorizadas
• Usuário M2 → retorno de ruído alimentar e reforço de sinal comportamental

11. Etapa 8 — Localização (33 Idiomas × Mais de 40 Pontos de Entrada)

A maioria dos aplicativos globais alcança o nível "traduzir inglês para outros idiomas". HAVIT:

Localização completa em 33 idiomas
  - Coreano, inglês, japonês, chinês (simplificado/tradicional),
    espanhol, português (BR), indonésio, alemão, francês, etc. — 33
  - Não mera tradução. Arquétipo, dieta e sinais culturais todos localizados

Mais de 40 pontos de entrada
  - Mais de 40 pontos nos quais os usuários entram no coaching
  - Registro pós-refeição, medição pós-peso, alarmes, detecção de platô, sinais de risco
  - Cada ponto de entrada com tom, comprimento e tempo apropriados

A "recuperação noturna" de um usuário dos EUA e de outra região diferem. Alimentos, horários, culturas e expressões idiomáticas diferem. Os EUA são um dos mercados-alvo centrais do HAVIT, e expressões em inglês/culturais são prioridade de primeira classe.

12. Cenário do Mundo Real (Ilustrativo)

Cenário: Mulher de 35 anos, manhã após refeição noturna

[Evento] Usuária: "Comi miojo à meia-noite ontem. E agora?"

[Etapa 1] Intenção: #3 (guia de ação imediata) + secundária #1 (culpa)
         Confiança 0,89 → classificação confirmada

[Etapa 2] Correspondência Vector DB:
         12 candidatos → pontuação de fadiga aplicada
         Seleção: A_0418 (dieta de recuperação proteína-primeiro)
         Últimos 7 dias similar 0 vezes → fresca

[Etapa 3] Geração CARE:
         C: "Miojo + noite, após hora extra na semana — completamente compreensível."
         A: "Ontem já passou, três refeições restantes hoje."
         R: "Café da manhã proteína 30g + almoço +50g vegetais. Mostrando opções."
         E: "Proteína regula naturalmente hormônios do apetite. Auto-restrição na próxima refeição."

[Etapa 4] Portão de Segurança: passou (sem sinal de risco)

[Etapa 5] 5 Camadas:
         Estado: calorias de ontem +600 acima
         Tipo: arquétipo #47 (mulher 30 anos · noturna · privada de sono)
         Comportamento: média de proteína dos últimos 7 dias 78g (-34g a menos)
         Persona: analítica (age quando dados são mostrados)
         Dia: terça-feira, muitas reuniões → opções de almoço preparadas com antecedência

[Etapa 6] POR QUE de 3 Camadas:
         Mecanismo: proteína → liberação natural de GLP-1/PYY
         Efeito: +20g → -150 kcal média na próxima refeição (Westerterp-Plantenga 2009)
         Personalização: sua média de 7 dias 78g, recomendado 112g, -34g a menos

[Etapa 7] GLP-1: não em medicação → prescrição padrão

[Etapa 8] Localização:
         Idioma: Português (BR) (opções alimentares amigáveis ao Brasil + mapeamento cultural)
         Opções de dieta: Iogurte grego + castanhas / tigela de tofu / shake de proteína de soja
         Expressão de tempo: manhã (analítica → especifica horário)
         Tom: analítico, concreto, curto

(※ Cenário ilustrativo. Resultados reais do usuário variam.)

13. O Que o Diferencia

Padrão de aplicativo comum:

• Metas calóricas estáticas (mesma prescrição diária)
• Arquétipo único (todos os usuários recebem o mesmo guia de dieta)
• Sem rotação de fadiga (mesma recomendação repetida)
• Sem Portão de Segurança (sem detecção automática de sinal de risco)

Diferença do HAVIT:

• 126 arquétipos × mais de 2.000 ações × 5 Camadas × CARE × Portão de Segurança × M0/M1/M2 × 33 idiomas
• Nova prescrição por mensagem (não estática)
• Rotação de fadiga (auto-evitação de fadiga de prompt do Modelo de Comportamento de Fogg)
• Portão de Segurança (bloqueio automático de risco)
• Base acadêmica anexada (Modelo de Comportamento de Fogg, Teoria da Autodeterminação, Zeevi/Berry, OMS/ADA)

Esta é a diferença entre um chatbot genérico e um sistema de coaching baseado em ciência comportamental.

14. Limitações e Melhorias Futuras

Limites atuais:

1. 126 clusters de arquétipos são um ponto de partida. Refinamento de arquétipo necessário à medida que a diversidade de usuários cresce.
2. HAVIT não é uma ferramenta de diagnóstico médico. O portão de segurança não substitui cuidados médicos.
3. Biblioteca de comportamentos é ancorada em domínio. Treinamento contínuo para adicionar dietas e exercícios culturais diversos.
4. Validação de eficácia em progresso. Estimativa de composição corporal por IA: n=70 interno completo, n=150 externo em progresso. RCT de eficácia de prescrição comportamental em estágio de design separado.

Roteiro (exemplos):

• Refinamento de arquétipo (expansão de diversidade regional, étnica, fisiológica)
• Expansão de biblioteca de ações
• Expansão de pontos de entrada (calendário, clima, integração de ciclo menstrual)
• Auto-aprendizado de arquétipo multilíngue

15. Conclusão

A eficácia de aplicativos digitais de saúde é proporcional à integração de personalização × imediatismo do feedback × gatilhos comportamentais (Patel 2015). O motor de 8 etapas do HAVIT integra essas três variáveis sobre os fundamentos do Modelo de Comportamento de Fogg (B = M × A × P) e Teoria da Autodeterminação.

O propósito do motor de 8 etapas é traduzir a direção que a literatura recomenda — avaliação de composição corporal + integração de estilo de vida + prescrição comportamental personalizada — em experiência real do usuário. Os EUA são um dos mercados-alvo centrais do HAVIT, onde expressões em inglês e culturais são prioridade de primeira classe. (HAVIT não é uma ferramenta de diagnóstico médico; o diagnóstico clínico e as decisões de tratamento são do domínio do médico.)