Impact of a Self-Autonomous Evaluation Station and Personalized Training Algorithm on Quality of Life and Physical Capacities in Sedentary Adults: Randomized Controlled Trial
Notice bibliographique
Résumé
Background Physical inactivity is a major risk factor for noncommunicable diseases and a leading cause of premature death. The World Health Organization (WHO) recommends at least 150 minutes of moderate intensity physical activity (PA) weekly, regardless of age, gender, or personal habits. However, in both sports performance and clinical settings, personalized training (PT) regimens have shown superior efficacy over general guidelines. Objective We hypothesized that an automatic PT program, informed by initial physical evaluations, would increase overall quality of life, quality of sleep, and physical capabilities and reduce fatigue and depression compared with adherence to WHO recommendations. Methods This 5-month, randomized, single-blinded controlled trial involved 112 sedentary or minimally active participants, divided randomly into PT and free training (FT) groups. Physical capabilities and subjective measures such as quality of life, sleep, depression, and fatigue were evaluated for both groups. After 1 month, both groups were asked to perform 150 minutes of PA per week for 4 months; the PT group could either follow a “virtual coach” on a mobile app to follow some personalized PA or do what they would like, while the FT group was to follow the general PA recommendations of the WHO. Results We did not find any group×time interaction for PA duration or intensity, physical qualities, and subjective measures. However, considering both groups together, there was a significant pretest and posttest time effect for duration of PA (18.2 vs 24.5 min/d of PA; P<.001), intensity (2.36 vs 3.11; P<.001), and workload (46.8 vs 80.5; P<.001). Almost all physical qualities were increased pretest and posttest (ie, estimated VO2max 26.8 vs 29 mL min–1 kg–1; P<.001; flexibility 25.9 vs 26.9 cm; P=.049; lower limb isometric forces 328 vs 347 N m; P=.002; reaction time 0.680 vs 0.633 s; P<.001; power output on cyclo-ergometer 7.63 vs 7.82 W; P<.003; and balance for the left and right leg 215 vs 163 mm2; P<.003 and 186 vs 162 mm2; P=.048, respectively). Finally, still considering the PT and FT groups together, there were significant pretest to posttest improvements in the mental component of quality of life using the 12-item Short Form Health Survey (41.9 vs 46.0; P<.006), well-being using the Warwick-Edinburgh Mental Well-Being Scale (48.3 vs 51.7; P<.002), depression using the Center for Epidemiologic Studies Depression Scale (15.5 vs 11.5; P=.02), and fatigue using the Functional Assessment of Chronic Illness Therapy–Fatigue (37.1 vs 39.5; P=.048). Conclusions The individualized training was not more effective than the general recommendations. A slight increase in PA (from 18 to 24 min/d) in sedentary or poorly active people is enough for a significant increase in physical capabilities and a significant improvement in quality of life, well-being, depression, and fatigue. Trial Registration ClinicalTrials.gov NCT04998266; https://clinicaltrials.gov/study/NCT04998266
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».