Compreendendo o Impacto de um Programa de Perda de Peso: os papéis do alcance, retenção e efetividade
Notice bibliographique
Résumé
O objetivo deste artigo é demonstrar os potenciais problemas na confiança das análises usando intenção de tratamento (ITT) quando o alcance inicial não é contabilizado. Dados de arquivo de sete locais de trabalho (n=10.513funcionários) que completaram um programa de perda de peso foram utilizados para determinar: (a) a eficácia do programa no final de três a seis meses de participação; (b) o alcance do programa na população de funcionários elegíveis; e (c) a proporção da população alvo de funcionários que, em última análise, beneficiaram-se do programa e o grau desses benefícios (como a efetividade que considera o alcance e retenção). Análises de ITT utilizando o valor de peso inicial para participantes perdidos a desistência revelou que os participantes perderam uma significativa (p<0,01), porém modesta, quantidade de peso em três meses (0,95 quilos) e em seis meses (1,09 quilos) de participação. A seguir foram realizadas análises para determinar a proporção total da força de trabalho que se beneficiou (peso perdido) em 6 meses. Dos 1.607 participantes que foram mantidos por pelo menos 6 meses, 1088 foram bem sucedidos na perda de peso apresentando uma perda média de 4,3 kg (95% CI: 4,0 a 4,5Kg), indicando uma perda clinicamente significativa de 4,4% do peso corporal inicial. Assim, 10,1% da população total de funcionários se beneficiaram com o programa de perda de peso e perderam uma quantidade clinicamente relevante de peso. Os resultados deste estudo indicam que a presença de dados de alcance combinados com dados de efetividade podem auxiliar empregadores na tomada de decisões mais sofisticadas ao escolher um programa de perda de peso comercial para os seus funcionários, quando comparado à análise tradicional de ITT.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,032 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».