MétaCan
Menu
Retour à la cohorte
Enregistrement W3154650192 · doi:10.2196/20299

Effectiveness of Distance Technology in Promoting Physical Activity in Cardiovascular Disease Rehabilitation: Cluster Randomized Controlled Trial, A Pilot Study

2021· article· en· W3154650192 sur OpenAlexvenueno aff
Sanna Hakala, Heikki Kivistö, Teemu Paajanen, Annaliisa Kankainen, Marjo-Riitta Anttila, Ari Heinonen, Tuulikki Sjögren

Notice bibliographique

RevueJMIR Rehabilitation and Assistive Technologies · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiac Health and Mental Health
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRehabilitationPhysical therapyMedicineRandomized controlled trialPsychological interventionPhysical activityPilot trialCluster (spacecraft)Physical medicine and rehabilitationInternal medicineNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Physical activity is beneficial for cardiovascular rehabilitation. Digitalization suggests using technology in the promotion of physical activity and lifestyle changes. The effectiveness of distance technology interventions has previously been found to be similar to that of conventional treatment, but the added value of the technology has not been frequently studied. OBJECTIVE: The aim of this pilot study was to investigate whether additional distance technology intervention is more effective in promoting physical activity than non-technology-based treatment in 12 months of cardiac rehabilitation. METHODS: The cardiovascular disease rehabilitation intervention consisted of three 5-day inpatient periods in a rehabilitation center and two 6-month self-exercise periods at home in between. Participants were recruited from among cardiac patients who attended the rehabilitation program and were cluster-randomized into unblinded groups: conventional rehabilitation control clusters (n=3) and similar rehabilitation with additional distance technology experimental group clusters (n=3). Experimental groups used Fitbit Charge HR for self-monitoring, and they set goals and reported their activity using Movendos mCoach, through which they received monthly automated and in-person feedback. Physical activity outcomes for all participants were measured using the Fitbit Zip accelerometer and the International Physical Activity Questionnaire. RESULTS: During the first 6 months, the experimental group (n=29) engaged in light physical activity more often than the control group (n=30; mean difference [MD] 324.2 minutes per week, 95% CI 77.4 to 571.0; P=.01). There were no group differences in the duration of moderate to vigorous physical activity (MD 12.6 minutes per week, 95% CI -90.5 to 115.7; P=.82) or steps per day (MD 1084.0, 95% CI -585.0 to 2752.9; P=.20). During the following 6 months, no differences between the groups were observed in light physical activity (MD -87.9 minutes per week, 95% CI -379.2 to 203.3; P=.54), moderate to vigorous physical activity (MD 70.9 minutes per week, 95% CI -75.7 to 217.6; P=.33), or steps per day (MD 867.1, 95% CI -2099.6 to 3833.9; P=.55). CONCLUSIONS: The use of additional distance technology increased the duration of light physical activity at the beginning of cardiac rehabilitation (for the first 6 months), but statistically significant differences were not observed between the two groups for moderate or vigorous physical activity or steps per day for both 6-month self-exercise periods. TRIAL REGISTRATION: ISRCTN Registry ISRCTN61225589; https://doi.org/10.1186/ISRCTN61225589.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0050,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,339
Écart entre enseignants0,326 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
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

Citations21
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Rehabilitation and Assistive TechnologiesMême sujetCardiac Health and Mental HealthTravaux en français237 207