MétaCan
Menu
← Retour à la cohorte
Enregistrement W4413943439 · doi:10.2196/83148

Reducing Sedentary Time After Knee Replacement Using a Multicomponent mHealth Intervention: Randomized Controlled Trial

2025· article· en· W4413943439 sur OpenAlexvenueno aff
Christine A. Pellegrini, Clare Kennerley, Sara Wilcox, Jungwha Lee, Katherine DeVivo, Kailyn Horn, Scott Jamieson, Jeffrey Hopkins, H. L. Davis, J. Benjamin Jackson

Notice bibliographique

RevueJMIR mhealth and uhealth · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesNational Institutes of HealthUniversity of South Carolina
Mots-clésPreprintRandomized controlled trialIntervention (counseling)Physical therapyMedicinePhysical medicine and rehabilitationComputer scienceNursingWorld Wide WebSurgery

Résumé

récupéré en direct d'OpenAlex

BACKGROUND Total knee replacement (TKR) is a common surgery for end-stage knee osteoarthritis. Although reductions in pain and improvements in mobility occur after surgery, physical activity levels often do not change. Given the challenges of increasing physical activity in this population, targeting reductions in sedentary behavior may be a first step; however, no prior studies have examined the feasibility and effects of a sedentary reduction intervention after TKR. OBJECTIVE This study examined the effects of a 2-month multicomponent mobile health sedentary reduction intervention (NEAT!2) on sedentary time in adults with TKR. METHODS Adults (N=83; mean age 65.3, SD 9.4 years; mean BMI 32.7, SD 6.9 kg/m2; 62/83, 74.7% female; 64/83, 77.1% White) with a TKR ≤1 year ago were randomized to the NEAT!2 group (n=42, 50.6%) or the attention-matched control group (n=41, 49.4%). The NEAT!2 intervention focused on reducing sedentary time via a smartphone app designed to interrupt prolonged bouts (≥30 minutes) of sedentary behavior and through 5 coaching calls emphasizing goal setting and problem solving. The control group focused on surgery recovery via an app or website and 5 educational calls. Sedentary time, total physical activity, physical function, and pain were measured at 2 and 5 months. Linear mixed-effects models examined intervention effects and differences between groups at each time point. RESULTS Retention was 96% and 95% at 2 and 5 months, respectively, with no differences between groups. Participants in the NEAT!2 group completed an average of 4.95 (SD 0.2) calls, used the app on an average of 40.3 (SD 13.8) days (out of 56 days), and received an average of 9.6 (SD 6.0) notifications per day. At 5 months, there was a significant increase in sit-to-stand transitions in the NEAT!2 group and a substantial decrease in the control group, resulting in a significant difference between groups (mean difference 4.06, 95% CI 0.13-7.99; P=.04); however, the NEAT!2 intervention did not result in significant effects on any of the other study outcomes at 2 or 5 months. Additionally, more days of app use were associated with greater increases in moderate-to-vigorous intensity physical activity (r=0.335; 95% CI 0.017-0.585; P=.04). CONCLUSIONS This study highlights the challenges of reducing sitting time in adults with TKR. Future studies should explore alternative behavior change techniques across different levels of influence (eg, environmental and social) to support interventions implemented within the first year after TKR. CLINICALTRIAL ClinicalTrials.gov NCT04482400; https://clinicaltrials.gov/ct2/show/NCT04482400

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)0,002
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 randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0110,001

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,455
Écart entre enseignants0,407 · 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 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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealth→Même sujetMobile Health and mHealth Applications→Travaux en français237 207→