Mobile app use to support therapeutic exercise for musculoskeletal pain conditions may help improve pain intensity and self-reported physical function: a systematic review
Notice bibliographique
Résumé
QUESTION: What is the effect of therapeutic exercise or tailored physical activity programs supported by a mobile app (compared with exercise or physical activity programs delivered using other modes) for people with musculoskeletal pain conditions? DESIGN: Systematic review of published randomised controlled trials with meta-analysis. PARTICIPANTS: People of all ages with musculoskeletal pain conditions. INTERVENTION: Therapeutic exercise or tailored physical activity programs supported by a mobile app. OUTCOME MEASURES: Pain intensity, pain interference, self-reported physical function, physical performance, adherence, psychosocial outcomes, health-related quality of life, work participation, physical activity, goal attainment and satisfaction. RESULTS: Eleven studies were eligible for inclusion, with a total of 845 participants. There was low certainty evidence that using mobile apps to deliver exercise programs helps to reduce pain intensity to a worthwhile extent (SMD -0.60, 95% CI -0.93 to -0.27). There was low certainty evidence that using mobile apps to deliver exercise programs helps to improve self-reported physical function to a worthwhile extent (SMD -0.92, 95% CI -1.57 to -0.27). Although the effect of using mobile apps to deliver exercise programs on pain interference was also estimated to be a worthwhile benefit (SMD -0.66), this estimate came with marked uncertainty (95% CI -1.52 to 0.19) so the effect remains unclear. The remainder of the outcomes were unclear due to sparse evidence. The most common behaviour change intervention functions in the mobile app interventions were: training, enablement and environmental restructuring. CONCLUSION: Mobile apps supporting therapeutic exercise or tailored physical activity programs for musculoskeletal pain conditions may help in reducing pain intensity and improving physical function. The mobile apps utilised a limited range of behaviour change intervention functions. REGISTRATION: CRD42021248046.
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 | 0,007 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,013 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».