MétaCan
Menu
Retour à la cohorte
Enregistrement W2909636907 · doi:10.2196/12782

Improving Nutrition and Activity Behaviors Using Digital Technology and Tailored Feedback: Protocol for the Tailored Diet and Activity (ToDAy) Randomized Controlled Trial

2019· article· en· W2909636907 sur OpenAlexvenueno aff
Rhiannon E Halse, Charlene L Shoneye, Christina Pollard, Jonine Jancey, Jane Scott, I. Pratt, Satvinder S. Dhaliwal, Richard Norman, Leon Straker, Carol J. Boushey, Edward J. Delp, Fengqing Zhu, Amelia J. Harray, Maria Szybiak, Anne Finch, Joanne McVeigh, Barbara Mullan, Clare E. Collins, Syed Aqif Mukhtar, Kieran N Edwards, Janelle D Healy, Deborah A. Kerr

Notice bibliographique

RevueJMIR Research Protocols · 2019
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Diabetes and Digestive and Kidney DiseasesNational Cancer Institute
Mots-clésMedicineOverweightRandomized controlled trialPopulationPhysical therapyWeight lossPsychological interventionmHealthBehavior changeGerontologyIntervention (counseling)Body mass indexObesityEnvironmental healthNursingInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Excess weight is a major risk factor for chronic diseases. In Australia, over 60% of adults are overweight or obese. The overconsumption of energy-dense nutrient-poor (EDNP) foods and low physical activity (PA) levels are key factors contributing to population obesity. New cost-effective approaches to improve population diet and PA behaviors are needed. OBJECTIVE: This 1-year randomized controlled trial (6-month intervention and 6-month follow-up) aims to investigate whether a tailored intervention using mobile technology can improve diet and PA behaviors leading to weight loss in adults (aged 18-65 years) who are overweight or obese and recruited through a social marketing campaign (LiveLighter). METHODS: All eligible participants will provide data on demographics and lifestyle behaviors online at baseline, 6 months, and 12 months. Using two-stage randomization, participants will be allocated into one of three conditions (n=200 per group): tailored feedback delivered via email at seven time points, informed by objective dietary (mobile food record app) and activity (wearable activity monitor) assessment; active control receiving no tailored feedback, but undergoing the same objective assessments as tailored feedback; and online control receiving no tailored feedback or objective assessments. Primary outcome measures at 6 and 12 months are changes in body mass, EDNP food and beverage consumption, and daily moderate-to-vigorous PA (measured via accelerometry). Secondary outcomes include change in fruit and vegetable consumption, daily sedentary behaviors, and cost effectiveness. RESULTS: Enrolment commenced in August 2017. Primary outcomes at 12 months will be available for analysis from September 2019. CONCLUSIONS: Tailored email feedback provided to individuals may deliver a cost-effective strategy to overcome existing barriers to improving diet and PA. If found to be successful and cost effective, upscaling this intervention for inclusion in larger-scale interventions is highly feasible. TRIAL REGISTRATION: Australian New Zealand Clinical Trials Registry ACTRN12617000554369; https://www.anzctr.org.au /Trial/Registration/TrialReview.aspx?id=371325&isReview=true. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/12782.

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)0,025
score de la tête « metaresearch » (Gemma)0,020
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 randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Protocole · Signal consensuel: Protocole
Score de désaccord entre enseignants0,085
Score d'incertitude au seuil0,285

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0250,020
Méta-épidémiologie (sens strict)0,0070,003
Méta-épidémiologie (sens large)0,0130,005
Bibliométrie0,0020,003
Études des sciences et des technologies0,0030,003
Communication savante0,0040,003
Science ouverte0,0030,002
Intégrité de la recherche0,0070,008
Charge utile insuffisante (le modèle a refusé de juger)0,0850,014

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 Opus0,170
Tête enseignante GPT0,576
Écart entre enseignants0,406 · 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 randomisé
Domainenon disponible
GenreProtocole

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Research ProtocolsMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207