Effects of Social Media and Mobile Health Apps on Pregnancy Care: Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: The use of social media and mobile health (mHealth) apps has been increasing in pregnancy care. However, the effectiveness of these interventions is still unclear. OBJECTIVES: We conducted a meta-analysis to examine the effectiveness of these interventions with regard to different health outcomes in pregnant and postpartum women and investigate the characteristics and components of interventions that may affect program effectiveness. METHOD: We performed a comprehensive literature search of major electronic databases and reference sections of related reviews and eligible studies. A random effects model was used to calculate the effect size. RESULTS: Fifteen randomized controlled trial studies published in and before June 2018 that met the inclusion criteria were included in the meta-analysis. The interventions were effective in promoting maternal physical health including weight management, gestational diabetes mellitus control, and asthma control with a moderate to large effect size (d=0.72). Large effect sizes were also found for improving maternal mental health (d=0.84) and knowledge about pregnancy (d=0.80). Weight control interventions using wearable devices were more effective. CONCLUSION: Social media and mHealth apps have the potential to be widely used in improving maternal well-being. More large-scale clinical trials focusing on different health outcomes are suggested for future studies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,018 | 0,049 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».