A Smartphone App to Promote Healthy Weight Gain, Diet, and Physical Activity During Pregnancy (HealthyMoms): Protocol for a Randomized Controlled Trial
Notice bibliographique
Résumé
BACKGROUND: Excessive gestational weight gain is common and associated with adverse outcomes both in the short and long term. Although traditional lifestyle-based interventions have shown to mitigate excess gestational weight gain, little is known about whether mobile Health (mHealth) apps can promote healthy weight gain, diet, and physical activity during pregnancy. OBJECTIVE: The primary aim of the HealthyMoms trial is to determine the effectiveness of a smartphone app (HealthyMoms) for mitigating excess gestational weight gain during pregnancy. Secondary aims are to determine the effectiveness of the app on dietary habits, physical activity, body fatness, and glycemia during pregnancy. METHODS: HealthyMoms is a two-arm randomized controlled trial. Women are being recruited at routine visits at the maternity clinics in Linköping, Norrköping and Motala, Sweden. Women are randomized to the control or intervention group (n=150 per group). All women will receive standard care, and women in the intervention group will also receive the HealthyMoms smartphone app. RESULTS: Recruitment of participants to the trial was initiated in October 2017, and 190 women have so far completed the baseline measurement. The baseline measures are estimated to be finalized in December 2019, and the follow-up measures are estimated to be completed in June 2020. CONCLUSIONS: This project will evaluate a novel smartphone app intervention integrated with existing maternity health care. If successful, it has great potential to be implemented nationally in order to promote healthy weight gain and health behaviors during pregnancy. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/13011.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».