MétaCan
Menu
Retour à la cohorte
Enregistrement W4386604013 · doi:10.1093/eurpub/ckad133.246

O.5.2-5 Piloting a text message intervention to increase physical activity and exercise after post-stroke rehabilitation: the KATS study (Keeping Active with Texting after Stroke)

2023· article· en· W4386604013 sur OpenAlexaff
Jacqui Morris, Linda Irvine, Albert Farré, Stephan U Dombrowski, Jenna Breckenridge, Gözde Özakinci, Thérèse Lebedis

Notice bibliographique

RevueEuropean Journal of Public Health · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueBehavioral Health and Interventions
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesnon disponible
Mots-clésRehabilitationPsychological interventionStakeholderIntervention (counseling)Formative assessmentPsychologyApplied psychologyProcess (computing)Medical educationNursingMedicineComputer sciencePublic relationsPedagogy

Résumé

récupéré en direct d'OpenAlex

Abstract Purpose After stroke rehabilitation, people feel abandoned by services and struggle to undertake physical activities to support recovery and health. Text messaging interventions can reach many people at low cost but have not been used widely after stroke. This study pilot-tested a text message intervention (KATS) to promote post-rehabilitation activity. Methods We developed KATS using: formative research on post-stroke activity; stakeholder engagement (people with stroke and rehabilitation therapists) to identify priorities; the Health Action Process Approach to structure the behaviour change intervention; and stakeholder review before pre-testing. KATS components included: increasing motivation; goal setting and planning; self-monitoring; coping planning; and maintaining regular activity. KATS comprised 95 messages, delivered by computer programme, over 12 weeks. Text messages explained and modelled KATS components using Behaviour Change Techniques effective for changing health behaviours. Messages used conversational language to encourage engagement, some asked questions on current activities. Quotes from survivors modelled behaviours, providing encouragement and authenticity. Some messages were personalised to include participants’ names. We piloted KATS with community-dwelling stroke survivors, using mid and end-of-intervention interviews to explore experiences of KATS. We analysed qualitative data using Normalisation Process Theory to examine how participants made sense of KATS and embedded it in everyday activities. Results Following piloting, from 24 interviews with 12 participants, we derived four analytical themes: (1) Making sense of KATS: Timing and complementarity in the rehabilitation journey; (2) Engaging with KATS: Connection and identification with others; (3) Making KATS work: flexibility and tailorable guidance; (4) Appraising the worth of KATS: encouragement and friendliness. Participants differentiated KATS from current rehabilitation practice, finding it relevant, fitting, and worthwhile. They reported variations in engagement with behaviour change techniques, but participants could tailor KATS use, making it work for them in different ways. Conclusions KATS was seen as useful and acceptable to stroke survivors. Perceived benefits went beyond promoting physical activity, to feeling supported and connected. Future research will test effectivenes of KATS in promoting physical activities and explore associations with functional, social and emotional secondary outcomes. The study illustrates the importance of co-design in interventions for clinical populations. Funder Scottish Government Chief Scientist Office.

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)0,006
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,047

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0140,002

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 GPT0,379
Écart entre enseignants0,325 · 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'étudeEssai non randomisé
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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal of Public HealthMême sujetBehavioral Health and InterventionsTravaux en français237 207