Identifying behaviour change techniques within precision health interventions that use continuous glucose monitoring: a secondary analysis of a scoping review
Notice bibliographique
Résumé
BACKGROUND: Continuous glucose monitoring (CGM) is increasingly being used within precision health interventions to motivate behaviour change. However, there is considerable variability and complexity in the design of behaviour change interventions that incorporate CGM-based biofeedback, making it challenging to disentangle the intervention components that are driving intervention effects. The objective of this review is to identify the behaviour change techniques and mechanisms of action commonly implemented alongside CGM-based biofeedback. METHODS: We conducted secondary analyses of a scoping review to identify health behaviour interventions (RCTs) that provided CGM-based biofeedback to promote behaviour change in adults. Two researchers applied the 93-item Behaviour Change Techniques (BCT) Taxonomy (v1) to independently code intervention content in all trial arms (i.e., intervention and comparison arms) dependent upon their targeted behaviour of CGM use, glucometer use, diet, physical activity, or medication adherence. BCTs were analysed individually and according to their corresponding category. We performed univariate linear regression analyses to examine whether the presence of individual BCTs and target behaviours influenced pre-post changes in HbA1c within CGM-based intervention arms. RESULTS: Thirty-one RCTs comprising 35 intervention arms and 29 comparison arms were included. Theory was reported in 4 studies (13%), most commonly Self-Efficacy Theory. Mechanisms of action (MoAs) were specified in 5 studies (16%), typically targeting beliefs about capabilities. We identified 40 (of 93 possible) unique BCTs, with intervention arms employing an average of 7.1 BCTs (SD: 4.8) compared to 5.3 BCTs (SD: 4.3) in comparison arms. The most frequently implemented BCT categories in CGM-based biofeedback interventions were 'Feedback and monitoring' (n = 35/35, 100%), 'Shaping knowledge' (n = 28/35, 80%), and 'Social support' (n = 22/35, 63%). Commonly used BCTs supporting CGM use and promoting dietary and physical activity changes included 'Biofeedback' (n = 35/35; 100%), 'Instruction on how to perform the behaviour' (n = 19/35; 54%), and 'Credible source' (n = 14/35; 40%). Univariate linear regressions did not identify any individual BCTs or targeted behaviours that significantly moderated HbA1c outcomes. CONCLUSIONS: RCTs using CGM to change behaviour in adult populations include a range of BCTs, focusing predominantly on BCTs that support the implementation of CGM itself. Future research should examine whether BCTs operate through distinct MoAs when supporting CGM uptake and use versus when promoting broader health behaviour change in conjunction with CGM-based biofeedback.
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 | 0,137 | 0,358 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,010 | 0,016 |
| Bibliométrie | 0,030 | 0,026 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 ».