Weight Loss Using an mHealth App Among Individuals With Obesity in Different Economic Regions of China: Cohort Study
Notice bibliographique
Résumé
Background: With the increasing prevalence of obesity, weight loss has become a critical issue in China. Self-managed weight loss through a mobile health (mHealth) app may be a prospective method. However, its practicability in different economic regions of China is unknown. Objective: This study aims to evaluate the effectiveness of self-managed weight loss through an mHealth app among individuals with obesity in different economic regions of China and to demonstrate the feasibility of online self-management for weight loss. Methods: A total of 165,635 Chinese adults who signed up for the mHealth app were included to analyze the body composition characteristics of individuals from different economic regions by χ2 analyses. Furthermore, 2 types of participants with obesity using mHealth monitoring, including 74,611 participants with a BMI ≥24.0 kg/m2 and 22,903 participants with a normal BMI but an excessive percentage of body fat (PBF), were followed for 6 months to explore the weight loss and fat loss effects in different economic regions of China and to find independent predictors associated with weight loss success by 2-tailed Student t test and multivariable logistic regression analysis. Results: There were 32,129 users from low-income regions and 133,506 users from high-income regions. The proportion of users with obesity in low-income regions was higher than in high-income regions, both based on BMI (15,378/32,129, 47.9% vs 59,233/133,506, 44.4%; P<.001) and PBF classification (19,146/32,129, 59.6% vs 72,033/133,506, 54%; P<.001). Follow-up analyses showed that the weight loss effect among participants with overweight or obesity in low-income regions was greater than in high-income regions (mean -4.93, SD 6.41 vs mean -4.71, SD 6.14 kg; P<.001), while there was no significant difference in fat loss (mean -2.06%, SD 3.14% vs mean -2.04%, SD 3.19%; P=.54). In the population with normal-weight obesity, the weight loss (mean -2.42, SD 4.07 vs mean -2.23, SD 4.21 kg; P=.004) and fat loss effects (mean -1.43%, SD 2.73% vs mean -1.27%, SD 2.63%; P<.001) were stronger in high-income regions than in low-income regions. In addition, multivariable logistic regression analyses showed that age, baseline PBF, skeletal muscle rate, and measurement frequency were related to weight loss, whereas gender and baseline body metabolic rate only showed a correlation with weight loss in the population in high-income regions. Conclusions: This study found a high proportion of mHealth app users with obesity in low-income regions. Individuals with overweight and obesity in different economic regions of China experienced significant weight loss and fat loss using an mHealth app. Moreover, individuals in high-income regions paid more attention to body fat and had better fat reduction effects. Therefore, promoting self-monitoring of weight and PBF through an mHealth app could be an important intervention that could be implemented across all regions of China.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».