Long-Term Feasibility and Outcomes of a Digital Health Program to Improve Liver Fat and Cardiometabolic Markers in Individuals With Nonalcoholic Fatty Liver Disease: Prospective Single-Arm Feasibility Study
Notice bibliographique
Résumé
Background: A 12-week digital health program for nonalcoholic fatty liver disease (NAFLD) previously showed feasibility in engagement, program retention, and clinical outcomes. This study investigates whether improvements in cardiometabolic risk factors achieved during a 12-week active program were sustained over a subsequent 6-month follow-up period. Objective: The primary objective of this analysis was to evaluate whether the clinical improvements achieved after a 12-week program were maintained over the subsequent 6-month period, which did not include coaching or new intervention materials. In addition, the study aimed to assess participants' retention and engagement with the maintenance program. Methods: In a 9-month, single-arm study using the Sidekick app (Sidekick Health), individuals with NAFLD and BMI >30 or metabolic syndrome or type 2 diabetes were included. The initial 12 weeks focused on providing education about diet, physical activity, stress management, and sleep, followed by 6 months without coaching or new intervention materials. The measured outcomes encompassed demographics, body composition, liver fat assessed using magnetic resonance imaging-proton density fat fraction (MRI-PDFF), and blood markers. Results: Of the 34 participants who completed the first 12 weeks, 28 (82%) completed the 9-month study measurements. The median age was 63.0 years (IQR 53.5-71.0) and 57.1% (16/28) were women. At 9 months, compared to baseline, the mean weight loss was 4.0 kg (SD 5.0; P<.001). Liver fat decreased by 2.5% (SD 4.5; P<.001), with an 18.4% relative reduction. Systolic blood pressure decreased by 8.3 mm Hg (SD 13.4, P<.001) and diastolic by 2.5 mm Hg (SD 6.0; P=.02). Waist circumference decreased by 4.7 cm (SD 7.1; P<.001) and median glycated hemoglobin A1c (HbA1c) decreased by 19.5 mmol/mol (P<.001). Conclusions: Sustained improvements in liver fat and metabolic markers suggest that Sidekick Health's digital program is a promising strategy for managing NAFLD without requiring continuous coaching.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».