MétaCan
Menu
Retour à la cohorte
Enregistrement W3167199967 · doi:10.3389/fpubh.2021.604937

Cross-National Outcomes of a Digital Weight Loss Intervention in the United States, Canada, United Kingdom and Ireland, and Australia and New Zealand: A Retrospective Analysis

2021· article· en· W3167199967 sur OpenAlexaboutno aff
Qiuchen Yang, Ellen Siobhan Mitchell, Annabell Suh Ho, Laura DeLuca, Heather Behr, Andreas Michaelides

Notice bibliographique

RevueFrontiers in Public Health · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWeight lossPsychological interventionmHealthMedicineObesityDemographyIntervention (counseling)GerontologyNursing

Résumé

récupéré en direct d'OpenAlex

Mobile health (mHealth) interventions are ubiquitous and effective treatment options for obesity. There is a widespread assumption that the mHealth interventions will be equally effective in other locations. In an initial test of this assumption, this retrospective study assesses weight loss and engagement with an mHealth behavior change weight loss intervention developed in the United States (US) in four English-speaking regions: the US, Australia and New Zealand (AU/NZ), Canada (CA), and the United Kingdom and Ireland (UK/IE). Data for 18,459 participants were extracted from the database of Noom's Healthy Weight Program. Self-reported weight was collected every week until program end (week 16). Engagement was measured using user-logged and automatically recorded actions. Linear mixed models were used to evaluate change in weight over time, and ANOVAs evaluated differences in engagement. In all regions, 27.2–33.2% of participants achieved at least 5% weight loss by week 16, with an average of 3–3.7% weight loss. Linear mixed models revealed similar weight outcomes in each region compared to the US, with a few differences. Engagement, however, significantly differed across regions (P < 0.001 on 5 of 6 factors). Depending on the level of engagement, the rate of weight loss over time differed for AU/NZ and UK/IE compared to the US. Our findings have important implications for the use and understanding of digital weight loss interventions worldwide. Future research should investigate the determinants of cross-country engagement differences and their long-term effects on intervention outcomes.

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)0,003
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,338
Score d'incertitude au seuil0,680

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,066
Tête enseignante GPT0,406
Écart entre enseignants0,340 · 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'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

Citations17
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Public HealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207