A systematic umbrella review and meta-meta-analysis of eHealth and mHealth interventions for improving lifestyle behaviours
Notice bibliographique
Résumé
The aim of this meta-meta-analysis was to systematically review randomised controlled trial (RCT) evidence examining the effectiveness of e- and m-Health interventions designed to improve physical activity, sedentary behaviour, healthy eating and sleep. Nine electronic databases were searched for eligible studies published from inception to 1 June 2023. Systematic reviews with meta-analyses of RCTs that evaluate e- and m-Health interventions designed to improve physical activity, sedentary behaviour, sleep and healthy eating in any adult population were included. Forty-seven meta-analyses were included, comprising of 507 RCTs and 206,873 participants. Interventions involved mobile apps, web-based and SMS interventions, with 14 focused on physical activity, 3 for diet, 4 for sleep and 26 evaluating multiple behaviours. Meta-meta-analyses showed that e- and m-Health interventions resulted in improvements in steps/day (mean difference, MD = 1329 [95% CI = 593.9, 2065.7] steps/day), moderate-to-vigorous physical activity (MD = 55.1 [95% CI = 13.8, 96.4] min/week), total physical activity (MD = 44.8 [95% CI = 21.6, 67.9] min/week), sedentary behaviour (MD = -426.3 [95% CI = -850.2, -2.3] min/week), fruit and vegetable consumption (MD = 0.57 [95% CI = 0.11, 1.02] servings/day), energy intake (MD = -102.9 kcals/day), saturated fat consumption (MD = -5.5 grams/day), and bodyweight (MD = -1.89 [95% CI = -2.42, -1.36] kg). Analyses based on standardised mean differences (SMD) showed improvements in sleep quality (SMD = 0.56, 95% CI = 0.40, 0.72) and insomnia severity (SMD = -0.90, 95% CI = -1.14, -0.65). Most subgroup analyses were not significant, suggesting that a variety of e- and m-Health interventions are effective across diverse age and health populations. These interventions offer scalable and accessible approaches to help individuals adopt and sustain healthier behaviours, with implications for broader public health and healthcare challenges.
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 | 0,029 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,026 | 0,049 |
| Bibliométrie | 0,013 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».