Effectiveness of Mobile Health Interventions on Diabetes and Obesity Treatment and Management: Systematic Review of Systematic Reviews
Notice bibliographique
Résumé
Background Diabetes and obesity have become epidemics and costly chronic diseases. The impact of mobile health (mHealth) interventions on diabetes and obesity management is promising; however, studies showed varied results in the efficacy of mHealth interventions. Objective This review aimed to evaluate the effectiveness of mHealth interventions for diabetes and obesity treatment and management on the basis of evidence reported in reviews and meta-analyses and to provide recommendations for future interventions and research. Methods We systematically searched the PubMed, IEEE Xplore Digital Library, and Cochrane databases for systematic reviews published between January 1, 2005, and October 1, 2019. We analyzed 17 reviews, which assessed 55,604 original intervention studies, that met the inclusion criteria. Of those, 6 reviews were included in our meta-analysis. Results The reviews primarily focused on the use of mobile apps and text messaging and the self-monitoring and management function of mHealth programs in patients with diabetes and obesity. All reviews examined changes in biomarkers, and some reviews assessed treatment adherence (n=7) and health behaviors (n=9). Although the effectiveness of mHealth interventions varied widely by study, all reviews concluded that mHealth was a feasible option and had the potential for improving patient health when compared with standard care, especially for glycemic control (−0.3% to −0.5% greater reduction in hemoglobin A1c) and weight reduction (−1.0 kg to −2.4 kg body weight). Overall, the existing 6 meta-analysis studies showed pooled favorable effects of these mHealth interventions (−0.79, 95% CI −1.17 to −0.42; I2=90.5). Conclusions mHealth interventions are promising, but there is limited evidence about their effectiveness in glycemic control and weight reduction. Future research to develop evidence-based mHealth strategies should use valid measures and rigorous study designs. To enhance the effectiveness of mHealth interventions, future studies are warranted for the optimal formats and the frequency of contacting patients, better tailoring of messages, and enhancing usability, which places a greater emphasis on maintaining effectiveness over time.
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 | 0,017 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,015 | 0,014 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| 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 ».