Wearable Technology and Physical Activity Behavior Change in Adults With Chronic Cardiometabolic Disease: A Systematic Review and 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
OBJECTIVE: To evaluate the effectiveness of wearable device interventions (eg, Fitbit) to improve physical activity (PA) outcomes (eg, steps/day, moderate to vigorous physical activity [MVPA]) in populations diagnosed with cardiometabolic chronic disease. DATA SOURCE: Based on Preferred Reporting Items for Systematic Reviews and Meta-Analyses, an electronic search of 5 databases (Medline, PsychINFO, Scopus, Web of Science, and PubMed) was conducted. STUDY INCLUSION AND EXCLUSION CRITERIA: Randomized controlled trials (RCTs) published between January 2000 and May 2018 that used a wearable device for the full intervention in adults (18+) diagnosed with a cardiometabolic chronic disease were included. Excluded trials included studies that used devices at pre-post only, devices that administered medication, and interventions with no prospective control group comparison. DATA EXTRACTION: Thirty-five studies examining 4528 participants met the inclusion criteria. Study quality and RCT risk of bias were assessed using the Cochrane Collaboration Tool. DATA SYNTHESIS: Meta-analyses to compute PA (eg, steps/day) and selected physical dispersion and summary effects were conducted using the raw unstandardized pooled mean difference (MD). Sensitivity analyses were examined. RESULTS: Statistically significant increases in PA steps/day (MD = 2592 steps/day; 95% confidence interval [CI]: 1689-3496) and MVPA min/wk (MD = 36.31 min/wk; 95% CI: 18.33-54.29) were found for the intervention condition. CONCLUSION: Wearable devices positively impact physical health in clinical populations with cardiometabolic diseases. Future research using the most current technologies (eg, Fitbit) will serve to amplify these findings.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découle