Mobile Apps for Health Behavior Change in Physical Activity, Diet, Drug and Alcohol Use, and Mental Health: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: With a growing focus on patient interaction with health management, mobile apps are increasingly used to deliver behavioral health interventions. The large variation in these mobile health apps-their target patient group, health behavior, and behavioral change strategies-has resulted in a large but incohesive body of literature. OBJECTIVE: This systematic review aimed to assess the effectiveness of mobile apps in improving health behaviors and outcomes and to examine the inclusion and effectiveness of behavior change techniques (BCTs) in mobile health apps. METHODS: PubMed, EMBASE, CINAHL, and Web of Science were systematically searched for articles published between 2014 and 2019 that evaluated mobile apps for health behavior change. Two authors independently screened and selected studies according to the eligibility criteria. Data were extracted and the risk of bias was assessed by one reviewer and validated by a second reviewer. RESULTS: A total of 52 randomized controlled trials met the inclusion criteria and were included in the analysis-37 studies focused on physical activity, diet, or a combination of both, 11 on drug and alcohol use, and 4 on mental health. Participant perceptions were generally positive-only one app was rated as less helpful and satisfactory than the control-and the studies that measured engagement and usability found relatively high study completion rates (mean 83%; n=18, N=39) and ease-of-use ratings (3 significantly better than control, 9/15 rated >70%). However, there was little evidence of changed behavior or health outcomes. CONCLUSIONS: There was no strong evidence in support of the effectiveness of mobile apps in improving health behaviors or outcomes because few studies found significant differences between the app and control groups. Further research is needed to identify the BCTs that are most effective at promoting behavior change. Improved reporting is necessary to accurately evaluate the mobile health app effectiveness and risk of bias.
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 | 0,007 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».