Associations entre l'utilisation de l'application SmartMoms Canada et le contrôle du gain de poids gestationnel, les habitudes de vie et les issues centrées sur le patient chez les femmes enceintes
Notice bibliographique
Résumé
Nearly 49% of Canadian pregnant individuals exceed their gestational weigh gain (GWG) recommendations. Lifestyle habit (LsH) interventions improve adherence to a recommended GWG, but their large-scale adoption is limited by the resources they require. Our aims were therefore to assess associations between, on one hand, the engagement with a mobile health (mHealth) intervention aimed at Canadian pregnant women, the SmartMoms Canada app, and, on the other hand, GWG recommendations adherence (vs. the Canadian population, or based on level of user engagement), and changes in LsH, depressive symptoms, quality of life (QoL), and sleep measures during pregnancy in app users. Methods. Prospective, uncontrolled interventional study design. Seventy-five persons with an uncomplicated pregnancy were assessed in the early- (12th–20th week), mid- (24th–28th week), and late-pregnancy (36th–40th week), when physical activity (PA) levels (self-reported [Godin’s questionnaire] or measured [Fitbit Charge 2/Luxe tracker]), dietary intakes (food log), sleep quality (Pittsburgh index), depressive symptoms (Edinburgh’s scale), and QoL (Short-Form 36 questionnaire) were measured. GWG (Withing scale) and app usage (min/week) were repeatedly monitored. 95%CI were built around proportions (adequate, insufficient, or excessive GWG compared to Canadian population). Multinomial logistic regressions, independent 2-sample t-tests (early-to-late changes in outcomes between a higher engagement group [≥median] and a lower engagement group [
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».