MétaCan
Menu
← Retour à la cohorte
Enregistrement W7117580347 · doi:10.2196/74967

Effectiveness of Mobile Health–Based Self-Management Programs on Health-Related Outcomes in Patients With Chronic Obstructive Pulmonary Disease: Systematic Review and Meta-Analysis

2025· article· en· W7117580347 sur OpenAlexvenueno aff
Galuh Nawang Prawesti, Pinyi Lo, Made Ary Sarasmita, Hsiang Yin Chen

Notice bibliographique

RevueJMIR mhealth and uhealth · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Obstructive Pulmonary Disease (COPD) Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésmHealthPulmonary diseaseTelemedicineMEDLINECOPDPsychological interventionChronic diseaseeHealth

Résumé

récupéré en direct d'OpenAlex

Background: The progression of chronic obstructive pulmonary disease (COPD) leads to increased morbidity and mortality, emphasizing the need for effective self-management. Challenges such as accessibility, cost, and patient engagement hinder self-management efforts, underscoring the need for evidence-based mobile health (mHealth) interventions. Objective: This meta-analysis evaluated randomized controlled trials (RCTs) on the effectiveness of mHealth self-management programs for COPD, focusing on the modified Medical Research Council (mMRC) dyspnea scale, the 6-minute walking test (6MWT), and the St. George's Respiratory Questionnaire (SGRQ) score. The secondary outcomes include quality-adjusted life years and costs as economic outcomes; exacerbation, hospitalization, and emergency room and clinic visits as clinical outcomes; and self-efficacy as a humanistic outcome. Methods: The inclusion criteria encompassed RCTs involving patients with COPD aged 18 years and older, comparing mHealth-based self-management programs to non-mHealth interventions, with outcomes measured using the mMRC dyspnea scale, 6MWT, and SGRQ score. Exclusion criteria included observational studies, reviews, qualitative research, protocols, and non-English publications. A comprehensive search was conducted across PubMed, Embase, CINAHL, Web of Science, Cochrane, and Scopus using predefined keywords and MeSH terms for studies published between January 2015 and September 2024. The risk of bias was assessed using the Cochrane Risk-of-Bias 2 tool. Data extraction encompassed study characteristics, interventions, comparators, and outcomes. Meta-analyses were performed for outcomes reported in at least 3 RCTs using R software (version 4.2.2; R Foundation for Statistical Computing). Results: This systematic review included 36 RCTs from diverse geographical regions, encompassing 5606 patients. The meta-analysis revealed significant improvements in the mMRC dyspnea scale (mean difference -0.65, 95% CI -1.14 to -0.16; P=.02) and 6MWT (mean difference 25.96 m, 95% CI 10.05 m to 41.87 m; P=.004) in the mHealth intervention group compared to controls. However, no statistical significance was observed in the SGRQ total score (mean difference -3.56, 95% CI -7.39 to 0.27; P=.07). A total of 2 studies reported economic results, with a possible statistically significant decrease in the mean cost per patient (€3547 vs €4831 [US $4118.4 vs US $5609.24]; P=.01), but no statistically significant difference in quality-adjusted life years (0.485 vs 0.491; P=.73). A total of 5 studies reported substantial reductions in hospital admissions. Additionally, 1 study each reported significant improvements in time to first readmission for COPD exacerbations, clinic visits, mortality rates, and exacerbation frequencies. A single study reported a significant improvement in self-efficacy, as measured by the Pulmonary Rehabilitation Adapted Index of Self-Efficacy scores. Conclusions: This review supports the Global Initiative for Chronic Obstructive Lung Disease 2025 recommendations, highlighting mHealth as a supplementary clinical tool requiring patient education, ethical compliance, and informed consent. Further large-scale studies are needed to refine mHealth tools, ensuring accessibility, long-term safety, and effectiveness across diverse populations and outcome domains.

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)0,014
score de la tête « metaresearch » (Gemma)0,033
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,073

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,033
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0210,034
Bibliométrie0,0070,007
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,355
Écart entre enseignants0,334 · 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'étudeMéta-analyse
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 sujetChronic Obstructive Pulmonary Disease (COPD) Research→Travaux en français237 207→