Weight-loss intervention adherence and factors promoting adherence: a meta-analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Adhering to weight loss interventions is difficult for many people. The majority of those who are overweight or obese and attempt to lose weight are simply not successful. The objectives of this study were 1) to quantify overall adherence rates for various weight loss interventions and 2) to provide pooled estimates for factors associated with improved adherence to weight loss interventions. METHODS: We performed a systematic literature review and meta-analysis of all studies published between January 2004 and August 2015 that reviewed weight loss intervention adherence. RESULTS: After applying inclusion and exclusion criteria and checking the methodological quality, 27 studies were included in the meta-analysis. The overall adherence rate was 60.5% (95% confidence interval [CI] 53.6-67.2). The following three main variables were found to impact adherence: 1) supervised attendance programs had higher adherence rates than those with no supervision (rate ratio [RR] 1.65; 95% CI 1.54-1.77); 2) interventions that offered social support had higher adherence than those without social support (RR 1.29; 95% CI 1.24-1.34); and 3) dietary intervention alone had higher adherence than exercise programs alone (RR 1.27; 95% CI 1.19-1.35). CONCLUSION: A substantial proportion of people do not adhere to weight loss interventions. Programs supervising attendance, offering social support, and focusing on dietary modification have better adherence than interventions not supervising attendance, not offering social support, and focusing exclusively on exercise.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 découle