MétaCan
Menu
Retour à la cohorte
Enregistrement W2346464069 · doi:10.2196/cancer.5305

Pilot and Feasibility Test of a Mobile Health-Supported Behavioral Counseling Intervention for Weight Management Among Breast Cancer Survivors

2016· article· en· W2346464069 sur OpenAlexvenueno aff
Lisa M. Quintiliani, David Mann, Marissa Puputti, Emily Quinn, Deborah J. Bowen

Notice bibliographique

RevueJMIR Cancer · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer survivorship and care
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Biomedical Imaging and Bioengineering
Mots-clésPsychological interventionmHealthIntervention (counseling)MedicineWeight managementBreast cancerCancerPhysical therapyHealth interventionTest (biology)Weight lossNursingObesity

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Health behavior and weight management interventions for cancer survivors have the potential to prevent future cancer recurrence and improve long-term health; however, their translation can be limited if the intervention is complex and involves high participant burden. Mobile health (mHealth) offers a delivery modality to integrate interventions into daily life routines. OBJECTIVE: The objective of this study was to evaluate the effects of a one-group trial with a pre-post evaluation design on engagement (use and acceptability), physiological (weight), behavioral (diet and physical activity), and other secondary outcomes. METHODS: The 10-week intervention consisted of mHealth components (self-monitoring of selected diet behaviors via daily text messages, wireless devices to automatically track weight and steps) and 4 motivational interviewing-based technology-assisted phone sessions with a nonprofessionally trained counselor. Participants were overweight breast cancer survivors who had completed treatment and owned a smartphone. Weight was measured objectively; diet and physical activity were measured with brief self-reported questionnaires. RESULTS: Ten women participated; they had a mean age of 59 years (SD 6), 50% belonged to a racial or ethnic minority group, 50% had some college or less, and 40% reported using Medicaid health insurance. Engagement was high: out of 70 days in total, the mean number of days recording steps via the wristband pedometer was 64 (SD 7), recording a weight via the scale was 45 (SD 24), and responding to text messages was 60 (SD 13); 100% of participants completed all 4 calls with the counselor. Most (90%) were very likely to participate again and recommend the program to others. Mean weight in pounds decreased (182.5 to 179.1, mean change -3.38 [SD 7.67]), fruit and vegetable daily servings increased (2.89 to 4.42, mean change 1.53 [SD 2.82]), and self-reported moderate physical activity increased in metabolic equivalent of task (MET) minutes per week (2791 to 3336, mean change 545 [SD 1694]). CONCLUSIONS: Findings support the conduct of a fully powered trial to evaluate the efficacy of mHealth as a feasible intervention modality for breast cancer survivors. Future research should employ accelerometer-based physical activity assessment and consider development of an all-in-one app to integrate devices, messaging, and educational content and other mHealth approaches to support behavioral counselors conducting weight management interventions. TRIAL REGISTRATION: ClinicalTrials.gov NCT02387671; https://clinicaltrials.gov/ct2/show/NCT02387671 (Archived by WebCite at http://www.webcitation.org/6hGEuttbZ).

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: Essai non randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,034
Tête enseignante GPT0,366
Écart entre enseignants0,331 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
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

Citations111
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR CancerMême sujetCancer survivorship and careTravaux en français237 207