Patient engagement in the design of an intervention to prevent muscle loss in individuals with knee osteoarthritis and a body mass index (BMI) ≥ 35
Notice bibliographique
Résumé
OBJECTIVE: ) often prioritise weight-loss, which may overshadow specific benefits for physical function, metabolic health, and body composition. As part of the development of a future clinical study, we gathered perspectives from individuals living with knee OA and a large body size to inform the proposed intervention design and delivery. METHODS: . An anonymous electronic survey was distributed on social media between April 2020 and June 2020. Open-ended questions addressed a proposed 12-week multimodal intervention (involving targeted nutrition, resistance exercises, and self-management support). An optional semi-structured interview was offered upon completion, with interviews recorded and transcribed verbatim. Reflexive thematic analysis and interpretation guided by an acceptability framework was used to identify recommendations for the intervention design and delivery. RESULTS: Twenty individuals living across Canada completed the survey (100% female; 18 aged <65 years and 2 ≥ 65 years). Ten individuals completed the interview. From aggregate survey and interview data, three recommendations were generated: (1) the effectiveness of the intervention for health improvement (specifically mobility and pain) must be emphasised to avoid perceived weight-loss expectations; (2) extend support beyond 12-weeks and consider terminology free from weight-bias to enhance acceptance; (3) include optional customisation of intervention delivery to reduce acceptability-related burden. CONCLUSION: These female patient-derived recommendations may improve perceived intervention acceptability, and thereby may enhance participant enrolment and retention in clinical trials.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».