Effects of Mobile Health App Interventions on Sedentary Time, Physical Activity, and Fitness in Older Adults: Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: High sedentary time, low physical activity (PA), and low physical fitness place older adults at increased risk of chronic diseases, functional decline, and premature mortality. Mobile health (mHealth) apps, apps that run on mobile platforms, may help promote active living. OBJECTIVE: We aimed to quantify the effect of mHealth app interventions on sedentary time, PA, and fitness in older adults. METHODS: We systematically searched five electronic databases for trials investigating the effects of mHealth app interventions on sedentary time, PA, and fitness among community-dwelling older adults aged 55 years and older. We calculated pooled standardized mean differences (SMDs) in these outcomes between the intervention and control groups after the intervention period. We performed a Cochrane risk of bias assessment and Grading of Recommendations, Assessment, Development, and Evaluation certainty assessment. RESULTS: Overall, six trials (486 participants, 66.7% [324/486] women; age mean 68 [SD 6] years) were included (five of these trials were included in the meta-analysis). mHealth app interventions may be associated with decreases in sedentary time (SMD=-0.49; 95% CI -1.02 to 0.03), increases in PA (506 steps/day; 95% CI -80 to 1092), and increases in fitness (SMD=0.31; 95% CI -0.09 to 0.70) in trials of 3 months or shorter and with increases in PA (753 steps/day; 95% CI -147 to 1652) in trials of 6 months or longer. Risk of bias was low for all but one study. The quality of evidence was moderate for PA and sedentary time and low for fitness. CONCLUSIONS: mHealth app interventions have the potential to promote changes in sedentary time and PA over the short term, but the results did not achieve statistical significance, possibly because studies were underpowered by small participant numbers. We highlight a need for larger trials with longer follow-up to clarify if apps deliver sustained clinically important effects.
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 | 0,010 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,019 | 0,027 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».