MétaCan
Menu
Retour à la cohorte
Enregistrement W2787392455 · doi:10.2196/mhealth.8074

Peer Coaching Through mHealth Targeting Physical Activity in People With Parkinson Disease: Feasibility Study

2018· article· en· W2787392455 sur OpenAlexvenueno aff
Cristina Colón-Semenza, Nancy K. Latham, Lisa M. Quintiliani, Terry D. Ellis

Notice bibliographique

RevueJMIR mhealth and uhealth · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueParkinson's Disease Mechanisms and Treatments
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute on Aging
Mots-clésmHealthActivity trackerMotivational interviewingCoachingHealth coachingPsychologyQuality of life (healthcare)Physical therapyMedicineApplied psychologyPhysical activityPsychological interventionNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Long-term engagement in exercise and physical activity mitigates the progression of disability and increases quality of life in people with Parkinson disease (PD). Despite this, the vast majority of individuals with PD are sedentary. There is a critical need for a feasible, safe, acceptable, and effective method to assist those with PD to engage in active lifestyles. Peer coaching through mobile health (mHealth) may be a viable approach. OBJECTIVE: The purpose of this study was to develop a PD-specific peer coach training program and a remote peer-mentored walking program using mHealth technology with the goal of increasing physical activity in persons with PD. We set out to examine the feasibility, safety, and acceptability of the programs along with preliminary evidence of individual-level changes in walking activity, self-efficacy, and disability in the peer mentees. METHODS: A peer coach training program and a remote peer-mentored walking program using mHealth was developed and tested in 10 individuals with PD. We matched physically active persons with PD (peer coaches) with sedentary persons with PD (peer mentees), resulting in 5 dyads. Using both Web-based and in-person delivery methods, we trained the peer coaches in basic knowledge of PD, exercise, active listening, and motivational interviewing. Peer coaches and mentees wore FitBit Zip activity trackers and participated in daily walking over 8 weeks. Peer dyads interacted daily via the FitBit friends mobile app and weekly via telephone calls. Feasibility was determined by examining recruitment, participation, and retention rates. Safety was assessed by monitoring adverse events during the study period. Acceptability was assessed via satisfaction surveys. Individual-level changes in physical activity were examined relative to clinically important differences. RESULTS: Four out of the 5 peer pairs used the FitBit activity tracker and friends function without difficulty. A total of 4 of the 5 pairs completed the 8 weekly phone conversations. There were no adverse events over the course of the study. All peer coaches were "satisfied" or "very satisfied" with the training program, and all participants were "satisfied" or "very satisfied" with the peer-mentored walking program. All participants would recommend this program to others with PD. Increases in average steps per day exceeding the clinically important difference occurred in 4 out of the 5 mentees. CONCLUSIONS: Remote peer coaching using mHealth is feasible, safe, and acceptable for persons with PD. Peer coaching using mHealth technology may be a viable method to increase physical activity in individuals with PD. Larger controlled trials are necessary to examine the effectiveness of this approach.

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)0,003
score de la tête « metaresearch » (Gemma)0,003
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,059
Tête enseignante GPT0,399
Écart entre enseignants0,341 · 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

Citations64
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetParkinson's Disease Mechanisms and TreatmentsTravaux en français237 207