MétaCan
Menu
← Retour à la cohorte
Enregistrement W2978680618 · doi:10.2196/15733

Engagement With a Digital Platform for Multimodal Cognitive Assessment and Multidomain Intervention in a Japanese Population: Pilot, Quasi-Experimental, Longitudinal Study

2019· article· en· W2978680618 sur OpenAlexvenueno aff
Jordan M. Glenn, Erica N. Madero, Michelle Gray, Nami Fuseya, Mari Ikeda, Tomoo Kawamura, Yoshiko Arita, Nick Bott

Notice bibliographique

RevueJMIR mhealth and uhealth · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueDementia and Cognitive Impairment Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHealth coachingmHealthDashMedicinePopulationPhysical therapyPsychological interventionIntervention (counseling)CoachingActivity trackerGerontologyUsabilityCognitionPsychologyPhysical activityNursingPsychiatryEnvironmental healthComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: As the global prevalence of dementia continues to rise, multidomain lifestyle interventions that address modifiable risk factors associated with pathological cognitive decline are increasing. Although some digital options have been developed to increase the reach and scalability of these programs, because of cultural differences, the efficacy of the programs in one population cannot easily be generalized to populations in other countries. OBJECTIVE: This investigation aimed to examine the usability and engagement of a digitally delivered multidomain cognitive lifestyle intervention developed in the United States for a Japanese population. METHODS: This feasibility investigation utilized a quasi-experimental, single-arm, nonrandomized, longitudinal design where participants engaged in the behavioral intervention on a smartphone. Of the 559 participants that initially enrolled (age: mean 51 years, SD 7.5 years; 51.7% female [289/559]), 242 completed the final testing trial. Participants enrolled in a multidomain lifestyle program that consisted of (1) psychoeducational material, (2) physical activity tracker, (3) nutrition tracker, (4) audio-based meditations, and (5) health coaching. Engagement with the program was assessed through the total number of app sessions and the use of the exercise, diet, and meditation tracking features within the app. The total number of minutes exercised was collected through subjective user inputs, and nutrition was quantified by the Mediterranean-DASH Intervention for Neurodegenerative Delay diet adherence score. RESULTS: Significant relationships existed between overall nutrition score and frequency of nutrition tracking (r=0.18), frequency of physical activity tracking (r=0.19), and the total number of minutes exercised (r=0.22). Total minutes exercised was significantly correlated with total app sessions (r=0.57), frequency of physical activity tracking (r=0.85), frequency of nutrition tracking (r=0.64), number of times participants meditated (r=0.46), and total lessons read (r=0.36). The number of completed lessons was significantly related to frequency of physical activity tracking (r=0.40), frequency of nutrition tracking (r=0.43), the total number of times participants meditated (r=0.35), and total minutes exercised (r=0.33). Dividing the cohort into two groups based on lesson completion (<10 lessons completed vs ≥10 lessons completed), significant differences were observed between the total minutes exercised, frequency of physical activity tracking, frequency of nutrition tracking, and total number of times participants meditated (all P values <.01). CONCLUSIONS: Overall, this cross-cultural feasibility study in Japanese users demonstrated that the various engagement metrics were significantly correlated, and greater engagement was related to improved nutrition scores and increased time exercising. In addition, the relationships between lesson completion and other engagement metrics suggest that there may be value in exploring mechanisms that enhance lesson completion. Future research should examine the program in randomized control trials to more rigorously evaluate program efficacy.

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)0,008
score de la tête « metaresearch » (Gemma)0,004
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 non randomisé · Signal consensuel: Essai non randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0030,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,086
Tête enseignante GPT0,459
Écart entre enseignants0,374 · 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 non randomisé
Domainenon disponible
GenreEmpirique

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

En bref

Citations12
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealth→Même sujetDementia and Cognitive Impairment Research→Travaux en français237 207→