Adherence to unsupervised exercise in sedentary individuals: A randomised feasibility trial of two mobile health interventions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction Adherence to unsupervised exercise is poor, yet unsupervised exercise interventions are utilised in most healthcare settings. Thus, investigating novel ways to enhance adherence to unsupervised exercise is essential. This study aimed to examine the feasibility of two mobile health (mHealth) technology–supported exercise and physical activity (PA) interventions to increase adherence to unsupervised exercise. Methods Eighty-six participants were randomised to online resources ( n = 44, females n = 29) or MOTIVATE ( n = 42, females n = 28). The online resources group had access to booklets and videos to assist in performing a progressive exercise programme. MOTIVATE participants received exercise counselling sessions supported via mHealth biometrics which allowed instant participant feedback on exercise intensity, and communication with an exercise specialist. Heart rate (HR) monitoring, survey-reported exercise behaviour and accelerometer-derived PA were used to quantify adherence. Remote measurement techniques were used to assess anthropometrics, blood pressure, HbA 1c and lipid profiles. Results HR–derived adherence rates were 22 ± 34% and 113 ± 68% in the online resources and MOTIVATE groups, respectively. Self-reported exercise behaviour demonstrated moderate (Cohen's d = 0.63, CI = 0.27 to 0.99) and large effects (Cohen's d = 0.88, CI = 0.49 to 1.26) in favour of online resources and MOTIVATE groups, respectively. When dropouts were included, 84% of remotely gathered data were available, with dropouts removed data availability was 94%. Conclusion Data suggest both interventions have a positive impact on adherence to unsupervised exercise but MOTIVATE enables participants to meet recommended exercise guidelines. Nevertheless, to maximise adherence to unsupervised exercise, future appropriately powered trials should explore the effectiveness of the MOTIVATE intervention.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 découle