Use of an mHealth Ketogenic Diet App Intervention and User Behaviors Associated With Weight Loss in Adults With Overweight or Obesity: Secondary Analysis of a Randomized Clinical Trial
Notice bibliographique
Résumé
BACKGROUND: Low-carbohydrate ketogenic diets are a viable method to lose weight that have regained popularity in recent years. Technology in the form of mobile health (mHealth) apps allows for scalable and remote delivery of such dietary interventions and are increasingly being used by the general population without direct medical supervision. However, it is currently unknown which factors related to app use and user behavior are associated with successful weight loss. OBJECTIVE: First, to describe and characterize user behavior, we aim to examine characteristics and user behaviors over time of participants who were enrolled in a remotely delivered clinical weight loss trial that tested an mHealth ketogenic diet app paired with a breath acetone biofeedback device. Second, to identify variables of importance to weight loss at 12 weeks that may offer insight for future development of dietary mHealth interventions, we aim to explore which app- and adherence-related user behaviors characterized successful weight loss. METHODS: We analyzed app use and self-reported questionnaire data from 75 adults with overweight or obesity who participated in the intervention arm of a previous weight loss study. We examined data patterns over time through linear mixed models and performed correlation, linear regression, and causal mediation analyses to characterize diet-, weight-, and app-related user behavior associated with weight loss. RESULTS: =-2.366; P=.02). Furthermore, self-reported adherence mediated the relationship between greater app engagement (from c=-0.008, 95% CI -0.014 to -0.0019 to c'=-0.0035, 95% CI -0.0094 to 0.0024) or higher breath acetone levels (from c=-1.34, 95% CI -2.28 to -0.40 to c'=-0.40, 95% CI -1.42 to 0.62) and greater weight loss, explaining a total of 27.8% and 28.8% of the variance in weight loss, respectively. User behavior (compliance with weight measurements and app engagement) and adherence-related aspects (breath acetone values and self-reported dietary adherence) over time differed between individuals who achieved a clinically significant weight loss of >5% and those who did not. CONCLUSIONS: Our in-depth examination of app- and adherence-related user behaviors offers insight into factors associated with successful weight loss in the context of mHealth interventions. In particular, our finding that self-reported dietary adherence was the most important metric predicting weight loss may aid in the development of future mHealth dietary interventions. TRIAL REGISTRATION: ClinicalTrials.gov NCT04165707; https://clinicaltrials.gov/ct2/show/NCT04165707. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-10.2196/19053.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».