MétaCan
Menu
Retour à la cohorte
Enregistrement W4408750413 · doi:10.1002/osp4.70048

An Acceptance‐Based Guided Self‐Help Program for Weight Loss Maintenance in Adults Who Have Previously Completed a Behavioral Weight Loss Program: The SWiM Feasibility Study

2025· article· en· W4408750413 sur OpenAlexaff
Rebecca A. Jones, Julia Mueller, Rebecca Richards, Jenny Woolston, Marie Stubbings, Fiona Whittle, Andrew J. Hill, Carly A. Hughes, Robbie Duschinsky, Stephen J. Sharp, Michael Chester, Carlotta Schwertel, Struan Tait, Patricia Eustachio Colombo, Laura Kudlek, Clare E. Boothby, Jennifer Bostock, Penny Breeze, Alan Brennan, Francesco Fusco, Emma Lawlor, Stephen Morris, Simon J. Griffin, Amy L. Ahern

Notice bibliographique

RevueObesity Science & Practice · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensVancouver Coastal Health
Organismes subventionnairesNIHR Cambridge Biomedical Research CentreMedical Research CouncilNational Institute for Health and Care Research
Mots-clésWeight lossMedicinePsychosocialWeight managementPsychological interventionIntervention (counseling)Thematic analysisMental healthRandomized controlled trialPhysical therapyBehavior changeGerontologyQualitative researchObesityNursingPsychiatrySurgery

Résumé

récupéré en direct d'OpenAlex

Background: Most weight lost during weight-loss programmes is eventually regained. Interventions based on Acceptance and Commitment Therapy (ACT) demonstrate good evidence for long-term weight loss, but are often costly and difficult to scale up. Guided self-help programmes delivered using technology and non-specialist coaches could increase scalability, but it is unclear whether delivering ACT-based interventions in this way is feasible and acceptable. Methods: In this feasibility study, 61 people who recently completed a behavioral weight management intervention (BWMI) for weight management were randomly allocated to SWiM ("Supporting Weight Management": 4-month digital guided self-help ACT-based intervention for weight loss maintenance) or a standard care group (leaflet about maintaining weight loss) using a 2:1 allocation ratio. At baseline and 6 months, participants completed measures of weight, mental health, eating behavior, and other psychosocial variables. Participants completed an intervention evaluation questionnaire. At 3 and 6 months, qualitative interviews were conducted with participants from both trial arms and SWiM coaches. The analysis integrated statistics and thematic analysis, informed by the Medical Research Council (MRC) framework for process evaluations. Since this was a feasibility study, analyses focused on process outcomes instead of interpreting statistical significance. Results: Eighty-eight percent (36/41) of participants allocated to SWiM completed at least the first session and 22 (54%) completed all sessions. At 6 months, mean weight change was -2.2 (+/-6.4 SD) kg in SWiM participants and +2.2 (+/-6.6) kg in standard care participants. Descriptively, eating behavior and mental health scores improved in SWiM participants but not in standard care participants. In interviews, SWiM participants noted that they reinforced their existing knowledge while acquiring new skills and strategies, which were felt to contribute to positive behavioral changes. Conclusion: The SWiM intervention is practical and well-received, and shows promise in supporting weight loss maintenance, though evaluation in a larger trial is needed to assess effectiveness. Trial Registration: ISRCTN12685964.

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)0,005
score de la tête « metaresearch » (Gemma)0,003
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: Essai non randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,003
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 savante0,0000,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,067
Tête enseignante GPT0,501
Écart entre enseignants0,434 · 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

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueObesity Science & PracticeMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207