MétaCan
Menu
Retour à la cohorte
Enregistrement W2101854129 · doi:10.3810/psm.2014.11.2089

Prescribing Physical Activity for Healthy Aging: Longitudinal Follow-Up and Mixed Method Analysis of a Primary Care Intervention

2014· article· en· W2101854129 sur OpenAlexaff
Emily Knight, Robert J. Petrella

Notice bibliographique

RevueThe Physician and Sportsmedicine · 2014
Typearticle
Langueen
DomaineMedicine
ThématiquePhysical Activity and Health
Établissements canadiensLondon Health Sciences CentreLawson Health Research InstituteWestern University
Organismes subventionnairesnon disponible
Mots-clésmHealthPsychological interventionIntervention (counseling)MedicineGerontologyRepeated measures designMedical prescriptionPhysical therapyPsychologyNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: There is a shortage of literature describing the experience of individuals who have participated in a physical activity and mobile health (mHealth) intervention. Many physical activity interventions are of short duration and do not report long-term changes in clinical measures or adoption of prescribed health behaviors. Previously, we have reported the clinical and behavioral outcomes from the first phase of a physical activity prescription and mHealth intervention delivered through the primary care setting. The purpose of this next phase is to perform a longitudinal follow-up 6-months postintervention. METHODS: Mixed methods analysis including repeated measures ANOVA of functional aerobic capacity (VO2max) at preintervention, postintervention, and follow-up clinic visits, and whole text analysis of semistructured interviews discussing the participant experience in a health behavior intervention. RESULTS: Twenty participants, mean age 63 ± 5 years, participated. Gains made in VO2max were maintained at 6 months (P < 0.05). Participants reported engaging in sustained and routine physical activity, yet some identified a need for additional support to adopt the prescribed health behaviors. Emergent themes included the desire for short-term mHealth intervention to educate individuals about prescribed health behaviors without need for ongoing management by clinicians, leveraging mHealth to build social networks around prescribed health behaviors and to connect individuals to build a sense of community, and participant views of physical activity as medicine. CONCLUSIONS: The present study investigated both the long-term adoption of physical activity behaviors as well as the participant experience in a physical activity and mHealth intervention. Findings from the current study may be used to inform the development of user-centered lifestyle interventions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,942
Score d'incertitude au seuil0,477

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,362
Écart entre enseignants0,308 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Physician and SportsmedicineMême sujetPhysical Activity and HealthTravaux en français237 207