Health-E-Call, a Smartphone-Assisted Behavioral Obesity Treatment: Pilot Study
Notice bibliographique
Résumé
BACKGROUND: Individual and group-based behavioral weight loss treatment (BWL) produces average weight loss of 5-10% of initial body weight, which improves health and wellbeing. However, BWL is an intensive treatment that is costly and not widely available. Smartphones may be a useful tool for promoting adherence to key aspects of BWL, such as self-monitoring, thereby facilitating weight loss while reducing the need for intensive in-person contact. OBJECTIVE: The objective of this study was to evaluate smartphones as a method of delivering key components of established and empirically validated behavioral weight loss treatment, with an emphasis on adherence to self-monitoring. METHODS: Twenty overweight/obese participants (95% women; 85% non-Hispanic White; mean age 53.0, SE 1.9) received 12-24 weeks of behavioral weight loss treatment consisting of smartphone-based self-monitoring, feedback, and behavioral skills training. Participants also received brief weekly weigh-ins and paper weight loss lessons. RESULTS: Average weight loss was 8.4kg (SE 0.8kg; 9%, SE 1% of initial body weight) at 12 weeks and 10.9kg (SE 1.1kg; 11%, SE 1% of initial body weight) at 24 weeks. Adherence to the self-monitoring protocol was 91% (SE 3%) during the first 12 weeks and 85% (SE 4%) during the second 12 weeks. CONCLUSIONS: Smartphones show promise as a tool for delivering key components of BWL and may be particularly advantageous for optimizing adherence to self-monitoring, a cornerstone of BWL.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».