MétaCan
Menu
Retour à la cohorte
Enregistrement W4224069418 · doi:10.2196/33938

Low- and High-Intensity Physical Activity Among People with HIV: Multilevel Modeling Analysis Using Sensor- and Survey-Based Predictors

2022· article· en· W4224069418 sur OpenAlexvenueno aff
Paul Cook, Catherine M. Jankowski, Kristine M. Erlandson, Blaine Reeder, Whitney Starr, Mary Beth Flynn Makic

Notice bibliographique

RevueJMIR mhealth and uhealth · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueHIV-related health complications and treatments
Établissements canadiensnon disponible
Organismes subventionnairesNational Center for Advancing Translational SciencesNational Center for Research ResourcesNational Institute on AgingNational Institutes of Health
Mots-clésMoodPsychologyMultilevel modelCoping (psychology)Physical activityAffect (linguistics)GerontologyClinical psychologyMedicinePhysical therapyComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: High-intensity physical activity improves the health of people with HIV. Even when people have good intentions to engage in physical activity, they often find it difficult to maintain physical activity behavior in the long term. Two Minds Theory is a neurocognitive model that explains gaps between people's intentions and behaviors based on the operations of 2 independent mental systems. This model predicts that everyday experiences will affect physical activity and that factors outside people's awareness, such as sleep and stress, can have particularly strong effects on physical activity behaviors. OBJECTIVE: We designed this study to test the effects of daily experiences on physical activity among people with HIV, including measures of people's conscious experiences using daily electronic surveys and measures of nonconscious influences using sensor devices. METHODS: In this study, 55 people with HIV wore a Fitbit Alta for 30 days to monitor their physical activity, sleep, and heart rate variability (HRV) as a physiological indicator of stress. Participants also used their smartphones to complete daily electronic surveys for the same 30 days about fatigue, self-efficacy, mood, stress, coping, motivation, and barriers to self-care. Time-lagged, within-person, multilevel models were used to identify the best prospective predictors of physical activity, considering the daily survey responses of people with HIV and sensor data as predictors of their physical activity the following day. We also tested baseline surveys as predictors of physical activity for comparison with daily variables. RESULTS: Different people had different average levels of physical activity; however, physical activity also varied substantially from day to day, and daily measures were more predictive than baseline surveys. This suggests a chance to intervene based on day-to-day variations in physical activity. High-intensity physical activity was more likely when people with HIV reported less subjective fatigue on the prior day (r=-0.48) but was unrelated to actual sleep based on objective sensor data. High-intensity physical activity was also predicted by higher HRV (r=0.56), indicating less stress, lower HIV-related stigma (r=-0.21), fewer barriers to self-care (r=-0.34), and less approach coping (r=-0.34). Similar variables predicted lower-level physical activity measured based on the number of steps per day of people with HIV. CONCLUSIONS: Some predictors of physical activity, such as HRV, were only apparent based on sensor data, whereas others, such as fatigue, could be measured via self-report. Findings about coping were unexpected; however, other findings were in line with the literature. This study extends our prior knowledge on physical activity by demonstrating a prospective effect of everyday experiences on physical activity behavior, which is in line with the predictions of Two Minds Theory. Clinicians can support the physical activity of people with HIV by helping their patients reduce their daily stress, fatigue, and barriers to self-care.

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)0,009
score de la tête « metaresearch » (Gemma)0,012
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 enseignants0,079
Score d'incertitude au seuil0,157

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,012
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,006
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,053
Tête enseignante GPT0,356
Écart entre enseignants0,303 · 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

Citations15
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetHIV-related health complications and treatmentsTravaux en français237 207