MétaCan
Menu
← Retour à la cohorte
Enregistrement W4384026751 · doi:10.2196/47473

The Impact of a Digital Weight Loss Intervention on Health Care Resource Utilization and Costs Compared Between Users and Nonusers With Overweight and Obesity: Retrospective Analysis Study

2023· article· en· W4384026751 sur OpenAlexaffvenue
Ellen Siobhan Mitchell, Alexander Fabry, Annabell Suh Ho, Christine N. May, Matthew Baldwin, Paige Blanco, Kyle Smith, Andreas Michaelides, Mostafa Shokoohi, Michael E. West, Kim Gotera, Omnya El Massad, Anna Zhou

Notice bibliographique

RevueJMIR mhealth and uhealth · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensEVERSANA (Canada)
Organismes subventionnairesnon disponible
Mots-clésMedicineOverweightWeight lossHealth careTelehealthWeight managementRetrospective cohort studyObesityBody mass indexMedical prescriptionGerontologyDemographyEmergency medicineTelemedicineInternal medicineNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The Noom Weight program is a smartphone-based weight management program that uses cognitive behavioral therapy techniques to motivate users to achieve weight loss through a comprehensive lifestyle intervention. OBJECTIVE: This retrospective database analysis aimed to evaluate the impact of Noom Weight use on health care resource utilization (HRU) and health care costs among individuals with overweight and obesity. METHODS: Electronic health record data, insurance claims data, and Noom Weight program data were used to conduct the analysis. The study included 43,047 Noom Weight users and 14,555 non-Noom Weight users aged between 18 and 80 years with a BMI of ≥25 kg/m² and residing in the United States. The index date was defined as the first day of a 3-month treatment window during which Noom Weight was used at least once per week on average. Inverse probability treatment weighting was used to balance sociodemographic covariates between the 2 cohorts. HRU and costs for inpatient visits, outpatient visits, telehealth visits, surgeries, and prescriptions were analyzed. RESULTS: Within 12 months after the index date, Noom Weight users had less inpatient costs (mean difference [MD] -US $20.10, 95% CI -US $30.08 to -US $10.12), less outpatient costs (MD -US $124.33, 95% CI -US $159.76 to -US $88.89), less overall prescription costs (MD -US $313.82, 95% CI -US $565.42 to -US $62.21), and less overall health care costs (MD -US $450.39, 95% CI -US $706.28 to -US $194.50) per user than non-Noom Weight users. In terms of HRU, Noom Weight users had fewer inpatient visits (MD -0.03, 95% CI -0.04 to -0.03), fewer outpatient visits (MD -0.78, 95% CI -0.93 to -0.62), fewer surgeries (MD -0.01, 95% CI -0.01 to 0.00), and fewer prescriptions (MD -1.39, 95% CI -1.76 to -1.03) per user than non-Noom Weight users. Among a subset of individuals with 24-month follow-up data, Noom Weight users incurred lower overall prescription costs (MD -US $1139.52, 95% CI -US $1972.21 to -US $306.83) and lower overall health care costs (MD -US $1219.06, 95% CI -US $2061.56 to -US $376.55) per user than non-Noom Weight users. The key differences were associated with reduced prescription use. CONCLUSIONS: Noom Weight use is associated with lower HRU and costs than non-Noom Weight use, with potential cost savings of up to US $1219.06 per user at 24 months after the index date. These findings suggest that Noom Weight could be a cost-effective weight management program for individuals with overweight and obesity. This study provides valuable evidence for health care providers and payers in evaluating the potential benefits of digital weight loss interventions such as Noom Weight.

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)0,002
score de la tête « metaresearch » (Gemma)0,006
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 enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,063
Tête enseignante GPT0,462
Écart entre enseignants0,399 · 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

Citations8
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealth→Même sujetMobile Health and mHealth Applications→Travaux en français237 207→