Efficacy of mobile health interventions in the conservative management of chronic low back pain in low- and middle-income countries: a systematic review, meta-analysis, and trial sequential analysis
Notice bibliographique
Résumé
Chronic low back pain (CLBP) is a major global health issue, particularly severe in low- and middle-income countries (LMICs), where health care resources and accessibility are limited. Mobile health (mHealth) interventions offer a promising solution by leveraging technology to deliver health care services remotely. This review aims to evaluate the effectiveness of mHealth interventions in managing CLBP in LMICs. A comprehensive search of electronic databases was performed for studies published until June 2024, evaluating mHealth interventions for CLBP in LMICs. Primary outcomes measured were pain intensity and disability, while secondary outcomes included quality of life (QoL). Risk of bias was assessed using Cochrane risk-of-bias tool (RoB2), and quality of evidence was evaluated using GRADE. Robustness of meta-analysis results was assessed via trial sequential analysis (TSA). Seven studies met the inclusion criteria. The mHealth interventions significantly reduced the overall pain intensity (MD = -1.11, 95% CI: -1.75, -0.46) and disability (MD = -6.59, 95% CI: -10.65, -2.54). Subgroup analysis indicated greater effectiveness of short-term interventions (<6 weeks) in reducing pain and Oswestry disability index (ODI) vs long-term interventions (>6 weeks). mHealth interventions notably reduced pain and ODI scores vs unsupervised programs but showed no significant difference compared to in-person programs. The z-score line remained within TSA boundaries. mHealth interventions show potential in reducing pain and disability among patients with CLBP in LMICs, although with inconclusive impact on QoL. The high heterogeneity and limited number of studies underscore the need for further research with greater sample size to validate these findings and explore the long-term benefits and implementation challenges of mHealth in resource-constrained settings.
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 | 0,020 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,027 | 0,046 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».