Compreendendo o Impacto de um Programa de Perda de Peso: os papéis do alcance, retenção e efetividade
Bibliographic record
Abstract
O objetivo deste artigo é demonstrar os potenciais problemas na confiança das análises usando intenção de tratamento (ITT) quando o alcance inicial não é contabilizado. Dados de arquivo de sete locais de trabalho (n=10.513funcionários) que completaram um programa de perda de peso foram utilizados para determinar: (a) a eficácia do programa no final de três a seis meses de participação; (b) o alcance do programa na população de funcionários elegíveis; e (c) a proporção da população alvo de funcionários que, em última análise, beneficiaram-se do programa e o grau desses benefícios (como a efetividade que considera o alcance e retenção). Análises de ITT utilizando o valor de peso inicial para participantes perdidos a desistência revelou que os participantes perderam uma significativa (p<0,01), porém modesta, quantidade de peso em três meses (0,95 quilos) e em seis meses (1,09 quilos) de participação. A seguir foram realizadas análises para determinar a proporção total da força de trabalho que se beneficiou (peso perdido) em 6 meses. Dos 1.607 participantes que foram mantidos por pelo menos 6 meses, 1088 foram bem sucedidos na perda de peso apresentando uma perda média de 4,3 kg (95% CI: 4,0 a 4,5Kg), indicando uma perda clinicamente significativa de 4,4% do peso corporal inicial. Assim, 10,1% da população total de funcionários se beneficiaram com o programa de perda de peso e perderam uma quantidade clinicamente relevante de peso. Os resultados deste estudo indicam que a presença de dados de alcance combinados com dados de efetividade podem auxiliar empregadores na tomada de decisões mais sofisticadas ao escolher um programa de perda de peso comercial para os seus funcionários, quando comparado à análise tradicional de ITT.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.035 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".