Development, Challenges, and Evolution of the Log2Lose Intervention for Weight Management: Randomized Controlled Digital Health Trial
Notice bibliographique
Résumé
BACKGROUND: Long-term adherence to weight loss behaviors is challenging, as most individuals who achieve significant weight loss regain 1-2 kg per year. Financial incentives can reinforce weight-loss initiation and maintenance behaviors, but optimal strategies remain unclear. OBJECTIVE: This paper describes the design, technical architecture, and operational workflow of Log2Lose, a 5-year, multisite randomized controlled trial testing different financial incentive strategies to promote weight loss and maintenance. We detail the platform's integration with external devices, automated data collection, and adaptations to maintain intervention fidelity in the context of evolving technology and regulatory requirements. METHODS: The Log2Lose platform collects daily weight and dietary data from cellular scales and fitness tracking applications, calculates weekly incentive eligibility, and sends automated feedback and motivational text messages. We summarize the technical adaptations, message delivery performance, data completeness, and the balance between automation and manual support required to ensure data integrity. RESULTS: By the end of the study, 706 participants recorded 181,285 weights and 114,144 daily calorie entries. The platform sent 126,283 text messages and calculated 35,187 incentive payments, with 99.4% (34,976/35,187) processed automatically. Adaptations addressed device integration changes, application programming interface discontinuations, and new text messaging regulations. Despite automation, ongoing technical support was essential for resolving delivery errors, device issues, and data anomalies. CONCLUSIONS: Log2Lose demonstrated that large-scale, fully remote weight loss interventions can be implemented using consumer technology paired with a robust, adaptable platform. Success depended on flexible software design, continuous monitoring, and responsive technical support to navigate regulatory and technological changes. Log2Lose offers a practical model for processing remotely collected longitudinal dietary and weight data, providing valuable guidance for researchers, health care providers, and employers developing similar digital health interventions. TRIAL REGISTRATION: ClinicalTrials.gov NCT04770909; https://clinicaltrials.gov/study/NCT04770909.
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 | 0,025 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».