The effectiveness of eHealth interventions on physical activity and measures of obesity among working‐age women: a systematic review and meta‐analysis
Notice bibliographique
Résumé
Summary Physical inactivity and obesity are modifiable risk factors for cardiovascular disease, particularly in women. eHealth interventions may increase physical activity and improve obesity‐related outcomes among women. The objective of this study was to review the evidence of the effectiveness of eHealth interventions to increase moderate‐to‐vigorous physical activity among working‐age women. The secondary objective was to examine their effectiveness on improving obesity‐related outcomes. A comprehensive search strategy was developed for eight electronic databases; through July 2016. All studies consisting of >80% women of working‐age (18–65 years) in high income countries were included. Multiple unblinded reviewers determined study eligibility and extracted data. Risk of bias was evaluated using the Cochrane Risk of Bias Tool and data quality using the Grading of Recommendations Assessment, Development and Evaluation approach. Data were pooled using a random‐effects model. Sixty studies were included in the review of which 20 were in the meta‐analysis. The meta‐analysis demonstrated eHealth interventions improved moderate‐to‐vigorous physical activity (standard mean difference = 1.13, 95% confidence interval: 0.58, 1.68, P < 0.0001); an increase of ~25 min week −1 . No changes were observed in obesity‐related outcomes; waist circumference ( P = 0.06), body mass ( P = 0.05) and body mass index ( P = 0.35). eHealth interventions are effective at increasing min week −1 of moderate‐to‐vigorous physical activity among working‐age women from high income countries.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,019 | 0,004 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».