Effect of mHealth With Offline Antiobesity Treatment in a Community-Based Weight Management Program: Cross-Sectional Study
Notice bibliographique
Résumé
Background Weight loss interventions using mobile phone apps have recently shown promising results. Objective This study aimed to analyze the short-term weight loss effect of a mobile coaching intervention when it is integrated with a local public health care center and a regional hospital’s antiobesity clinic as a multidisciplinary model. Methods A total of 150 overweight or obese adults signed up to complete an 8-week antiobesity intervention program with human coaching through a mobile platform. Paired t tests and multiple linear regression analysis were used to identify the intervention factors related to weight change. Results Among the 150 participants enrolled in this study, 112 completed the 8-week weight loss intervention. Weight (baseline: mean 77.5 kg, SD 12.9; after intervention: mean 74.8 kg, SD 12.6; mean difference −2.73 kg), body mass index, waist circumference, fat mass (baseline: mean 28.3 kg, SD 6.6; after intervention: mean 25.7 kg, SD 6.3; mean difference −2.65 kg), and fat percentage all showed a statistically significant decrease, and metabolic equivalent of task (MET) showed a statistically significant increase after intervention. In multiple linear regression analysis, age (beta=.07; P=.06), △MET (beta=−.0009; P=.10), number of articles read (beta=−.01; P=.04), and frequency of weight records (beta=−.05; P=.10; R2=0.4843) were identified as significant factors of weight change. Moreover, age (beta=.06; P=.03), sex (female; beta=1.16; P=.08), △MET (beta=−.0009; P<.001), and number of articles read (beta=−.02; P<.001; R2=0.3728) were identified as significant variables of fat mass change. Conclusions The multidisciplinary approach, combining a mobile health (mHealth) care app by health care providers, was effective for short-term weight loss. Additional studies are needed to evaluate the efficacy of mHealth care apps in obesity treatment.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».