Use of Mobile Phone App Interventions to Promote Weight Loss: Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Obesity and lack of physical activity are major health risk factors for many life-threatening diseases, such as cardiovascular diseases, type 2 diabetes, and cancer. The use of mobile app interventions to promote weight loss and boost physical activity among children and adults is fascinating owing to the demand for cutting-edge and more efficient interventions. Previously published studies have examined different types of technology-based interventions and their impact on weight loss and increase in physical activity, but evidence regarding the impact of only a mobile phone app on weight loss and increase in physical activity is still lacking. OBJECTIVE: The main objective of this study was to assess the efficacy of a mobile phone app intervention for reducing body weight and increasing physical activity among children and adults. METHODS: PubMed, Google Scholar, Scopus, EMBASE, and the Web of Science electronic databases were searched for studies published between January 1, 2000, and April 30, 2019, without language restrictions. Two experts independently screened all the titles and abstracts to find the most appropriate studies. To be included, studies had to be either a randomized controlled trial or a case-control study that assessed a mobile phone app intervention with body weight loss and physical activity outcomes. The Cochrane Collaboration Risk of Bias tool was used to examine the risk of publication bias. RESULTS: A total of 12 studies involving a mobile phone app intervention were included in this meta-analysis. Compared with the control group, the use of a mobile phone app was associated with significant changes in body weight (-1.07 kg, 95% CI -1.92 to -0.21, P=.01) and body mass index (-0.45 kg/m2, 95% CI -0.78 to -0.12, P=.008). Moreover, a nonsignificant increase in physical activity was observed (0.17, 95% CI -2.21 to 2.55, P=.88). CONCLUSIONS: The findings of this study demonstrate the promising and emerging efficacy of using mobile phone app interventions for weight loss. Future studies are needed to explore the long-term efficacy of mobile app interventions in larger samples.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,004 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».