Abstract MP005: Do Worksite Wellness Programs Improve Dietary Behaviors and Adiposity? A Systematic Review and Meta-analysis
Notice bibliographique
Résumé
Introduction: Worksites are promising venues for promoting health, given considerable time spent at work and opportunities for environmental change. Yet, the impact of worksite wellness programs (WWPs) on diet and adiposity, as well as the most relevant WWP components, are not established. Methods: Following MOOSE and PRISMA guidelines, we conducted a systematic review and meta-analysis of the impact of multi-component WWP trials (RCT or quasi-experimental) on diet and adiposity. Data were extracted in duplicate and pooled using inverse variance random effects meta-analysis. Pre-specified sources of heterogeneity (study design, world region, worksite type, duration, WWP components) were analyzed by meta-regression and subgroup analysis. Funnel plots, Begg’s, and Egger’s tests evaluated potential publication bias. Results: From 6612 abstracts, we identified 48 studies assessing WWPs and diet or adiposity. Most were in the US (54%) or Europe (23%), with diet (64%) and exercise/weight loss (20%) as main targets. Intervention components were variable (Figure). Most common outcomes were intakes of fruits and vegetables (F&V) (19 studies), total fat or fat subtypes (18), and dietary fiber (4); and BMI (35) and waist circumference (WC) (10). Median duration was 12 months (range: 1-48 mo). In pooled analyses, WWP increased intake of F&V, especially fruits (Figure). Significant effects were not identified for dietary fiber, total fat, or fat subtypes. WWP also reduced BMI (Figure) and WC (-2.03 cm, 95% CI:-3.88,-0.20). Trial duration significantly modified effects on BMI (<12 mo duration: -0.64 kg/m 2 ; 12+ mo: -0.16 kg/m 2 ; P-interaction=0.046); but not WC or F&V intake. Additional findings for heterogeneity, including WWP components, and publication bias will be presented. Conclusions: These novel findings support effectiveness of WWP for increasing F&V and reducing BMI and WC.
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 | 0,024 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,017 | 0,035 |
| Bibliométrie | 0,008 | 0,008 |
| 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) | 0,010 | 0,001 |
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 ».