MétaCan
Menu
← Retour à la cohorte
Enregistrement W4205892645 · doi:10.2196/29291

The Cost-effectiveness of a Mass Media Campaign to Promote Smartphone Apps for Weight Loss: Updated Modeling Study

2021· article· en· W4205892645 sur OpenAlexvenueno aff
Amanda Jones, Leah Grout, Nick Wilson, Nhung Nghiem, Christine Cleghorn

Notice bibliographique

RevueJMIR Formative Research · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPopulationEnvironmental healthWeight lossMass mediaBehavioral Risk Factor Surveillance SystemBody mass indexDemographyMedicineGerontologyBusinessObesityAdvertising

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Evidence suggests that smartphone apps can be effective in the self-management of weight. Given the low cost, broad reach, and apparent effectiveness of weight loss apps, governments may seek to encourage their uptake as a tool to reduce excess weight in the population. Mass media campaigns are 1 mechanism for promoting app use. However, the cost and potential cost-effectiveness are important considerations. OBJECTIVE: The aim of our study was to use modeling to assess the health impacts, health system costs, cost-effectiveness, and health equity of a mass media campaign to promote high-quality smartphone apps for weight loss in New Zealand. METHODS: We used an established proportional multistate life table model that simulates the 2011 New Zealand adult population over the lifetime, subgrouped by age, sex, and ethnicity (Māori [Indigenous] or non-Māori). The risk factor was BMI. The model compared business as usual to a one-off mass media campaign intervention, which included the pooled effect size from a recent meta-analysis of smartphone weight loss apps. The resulting impact on BMI and BMI-related diseases was captured through changes in health gain (quality-adjusted life years) and in health system costs. The difference in total health system costs was the net sum of intervention costs and downstream cost offsets because of altered disease rates. An annual discount rate of 3% was applied to health gains and health system costs. Multiple scenarios and sensitivity analyses were conducted, including an equity adjustment. RESULTS: Across the remaining lifetime of the modeled 2011 New Zealand population, the mass media campaign to promote weight loss app use had an estimated overall health gain of 181 (95% uncertainty interval 113-270) quality-adjusted life years and health care costs of -NZ $606,000 (-US $408,000; 95% uncertainty interval -NZ $2,540,000 [-US $1,709,000] to NZ $907,000 [US $610,000]). The mean health care costs were negative, representing overall savings to the health system. Across the outcomes examined in this study, the modeled mass media campaign to promote weight loss apps among the general population would be expected to provide higher per capita health gain for Māori and hence reduce health inequities arising from high BMI, assuming that the intervention would be as effective for Māori as it is for non-Māori. CONCLUSIONS: A modeled mass media campaign to encourage the adoption of smartphone apps to promote weight loss among the New Zealand adult population is expected to yield an overall gain in health and to be cost-saving to the health system. Although other interventions in the nutrition and physical activity space are even more beneficial to health and produce larger cost savings (eg, fiscal policies and food reformulation), governments may choose to include strategies to promote health app use as complementary measures.

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)0,008
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,094
Score d'incertitude au seuil0,187

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,021
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,009
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0030,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,150
Tête enseignante GPT0,535
Écart entre enseignants0,385 · 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'étudeSimulation ou modélisation
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

Citations5
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative Research→Même sujetMobile Health and mHealth Applications→Travaux en français237 207→