Tailored mobile text messaging interventions targeting type 2 diabetes self-management: A systematic review and a meta-analysis
Notice bibliographique
Résumé
Objectives This study aimed to identify, assess and summarize available scientific evidence on tailored text messaging interventions focused on type 2 diabetes self-management. The systematic review concentrated on message design and delivery features, and tailoring strategies. The meta-analysis assessed the moderators of the effectiveness of tailored text messaging interventions. Methods A comprehensive search strategy included major electronic databases, key journal searches and reference list searching for related studies. PRISMA and Cochrane Collaboration's guidelines and recommended tools for data extraction, quality appraisal and data analysis were followed. Data were extracted on participant characteristics (age, gender, ethnicity), and interventional and methodological characteristics (study design, study setting, study length, choice of modality, comparison group, message type, format, content, use of interactivity, message frequency, message timing, message delivery, tailoring strategies and theory use). Outcome measures included diet, physical activity, medication adherence and glycated hemoglobin data (HbA1C). Where possible, a random effects meta-analysis was performed to pool data on the effectiveness of the tailored text messaging interventions and moderator variables. Results The search returned 13 eligible trials for the systematic review and 11 eligible trials for the meta-analysis. The majority of the studies were randomized controlled trials, conducted in high-income settings, used multi-modalities, and mostly delivered informative, educational messages through an automated message delivery system. Tailored text messaging interventions produced a substantial effect ( g = 0.54, 95% CI = 0.08–0.99, p < 0.001) on HbA1C values for a total of 949 patients. Subgroup analyses revealed the importance of some moderators such as message delivery ( Q B = 18.72, df = 1, p = 0.001), message direction ( Q B = 5.26, df = 1, p = 0.022), message frequency ( Q B = 18.72, df = 1, p = 0.000) and using multi-modalities ( Q B = 6.18, df = 1, p = 0.013). Conclusions Tailored mobile text messaging interventions can improve glycemic control in type 2 diabetes patients. However, more rigorous interventions with larger samples and longer follow-ups are required to confirm these findings and explore the effects of tailored text messaging on other self-management outcomes.
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 | 0,029 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,026 | 0,047 |
| Bibliométrie | 0,014 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».