The Outcomes of App-Based Health Coaching to Improve Dietary Behavior Among Nurses in a Tertiary Hospital: Pilot Intervention Study
Notice bibliographique
Résumé
BACKGROUND: At the workplace, health care workers face multiple challenges in maintaining healthy dietary behaviors, which is the major factor behind obesity. A hospital-wide mass health screening exercise showed an increasing trend in the prevalence of obesity and median BMI from 2004 to 2019, as well as a higher crude obesity rate among shift workers. OBJECTIVE: We aimed to evaluate the effectiveness of mobile app-based health coaching and incentives for achieving weight loss from better dietary choices among hospital nurses. METHODS: We conducted a pilot study from June 2019 to March 2020, involving the use of a health-coaching app by 145 hospital nurses over 6 months. Weight and BMI were self-reported, and food scores were calculated. Data among overweight nurses, shift work nurses, and incentive groups were analyzed. RESULTS: A total of 61 nurses were included in the final analysis. Of these 61 nurses, 38 (62%) lost weight. The median percentage weight loss was 1.2% (IQR 0%-2.9%; P<.001), and the median decrease in BMI was 0.35 (IQR -0.15 to 0.82; P<.001), but they were not clinically significant. The median improvement in the food score was 0.4 (IQR 0-0.8). There was no difference between the incentive and nonincentive groups. A total of 49 (34%) participants engaged for ≥8 weeks. CONCLUSIONS: The study demonstrated an association between the use of app-based health coaching and the attainment of some weight loss in nurses, without a significant improvement in the food score. Incentives may nudge on-boarding, but do not sustain engagement.
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 | 0,001 | 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 | 0,001 |
| 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 ».