Evaluation of the NHS active 10 walking app intervention through time-series analysis in 201,688 individuals
Notice bibliographique
Résumé
Despite widespread interest in integrating mobile health apps into primary care to prevent and manage physical inactivity-related health conditions, the effectiveness of these apps remains unclear. We quantified the effects of Active 10 (a goal setting and self-monitoring app developed by Public Health England) on brisk and non-brisk walking using a single-group interrupted time-series analysis of individual-level data collected between July 2021 and January 2024. Among Active 10 users (n = 201,668 l; 51.4 ± 14.4 years; 75.4% women) brisk and non-brisk walking increased by 9.0 (95% confidence interval (CI) 8.9, 9.1; 73% above baseline) and 2.6 min/day (95% CI 2.4, 2.8; 9% above baseline), respectively, on the day of app download. Post-download, brisk and non-brisk walking decreased by 0.15 (95% CI -0.17, -0.13) and 0.06 (95% CI -0.08, -0.03) min/day/month, respectively, but remained above baseline. Our findings suggest that Active 10 may be effective in facilitating increases in brisk and non-brisk walking.
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 | 0,001 | 0,001 |
| 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 ».