MétaCan
Menu
Retour à la cohorte
Enregistrement W3097629648 · doi:10.2196/21094

Feasibility, Usability, and Enjoyment of a Home-Based Exercise Program Delivered via an Exercise App for Musculoskeletal Health in Community-Dwelling Older Adults: Short-term Prospective Pilot Study

2020· article· en· W3097629648 sur OpenAlexvenueno aff
Robin M. Daly, Jenny Gianoudis, Travis Hall, Niamh L Mundell, Ralph Maddison

Notice bibliographique

RevueJMIR mhealth and uhealth · 2020
Typearticle
Langueen
DomaineMedicine
ThématiquePhysical Activity and Health
Établissements canadiensnon disponible
Organismes subventionnairesDeakin University
Mots-clésUsabilityPhysical therapyGerontologymHealthMedicineMobile appsPsychologyPhysical medicine and rehabilitationNursingPsychological interventionComputer scienceWorld Wide WebHuman–computer interaction

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Many older adults choose and prefer to exercise at home, but to attain the greatest benefits, the correct type and dose of exercise should be prescribed and adherence maintained. Advances in digital health technologies now provide the opportunity for exercise professionals to deliver and monitor personalized, evidence-based exercise programs to anyone at any time. OBJECTIVE: The aim of this study was to evaluate the feasibility, usability, and enjoyment of a web-based exercise prescription app as a platform for exercise professionals to remotely deliver and monitor an individually tailored, home-based multicomponent exercise program (delivered through tablet computers) to older adults living independently in the community. METHODS: This was an 8-week, prospective single-arm pilot study in 20 adults aged ≥65 years living independently in the community: 10 owned a tablet computer (tablet owners) and 10 did not own tablets (tablet nonowners). All participants were prescribed a home-based, muscle strengthening, weight-bearing impact and challenging balance/mobility program (3 days/week) using a commercial exercise prescription app on a tablet computer. Study endpoints were feasibility (retention, adherence, adverse events), usability (System Usability Scale), physical activity enjoyment (Physical Activity Enjoyment Scale), changes in lower extremity function (Short Physical Performance Battery [SPPB]), and level of physical activity (questionnaire). Process measures related to the participants' experiences and perceptions of the exercise program and web-based app were also included. RESULTS: A total of 19 participants (mean age, 70 years) completed the study (19/20, 95%), and mean adherence to the exercise program was 84% (95% CI 70%-97%). There were 2 minor adverse events in 2 participants from 401 completed sessions. Mean weekly walking time increased by 78 minutes (95% CI 0-156, P=.049) and moderate-to-vigorous physical activity time by 41 minutes (95% CI -8 to 90, P=.09). For SPPB scores, there was a 0.3 point (95% CI -0.1 to 0.7, P=.17) modest sized (effect size, d=0.42) improvement after 8 weeks. Mean (SD) system usability was high (86 [10] with 100 best imaginable). There was no change in the overall physical activity enjoyment scores after 8 weeks, but participants reported that they enjoyed using the web-based exercise app and the exercise program (median score 4 on a 5-point Likert scale). For all measures, there were no differences between previous tablet owners and nonowners. CONCLUSIONS: This pilot feasibility study indicates that it is safe and feasible for community-dwelling older adults to participate in a home-based, multicomponent exercise program targeting musculoskeletal health and function that was delivered and monitored remotely by exercise professionals using a tablet-based exercise prescription app.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,386
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,092
Tête enseignante GPT0,417
Écart entre enseignants0,325 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
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

Citations73
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetPhysical Activity and HealthTravaux en français237 207