Abstract Objectives To evaluate the impact of a multicomponent intervention (Stand More AT (SMArT) Work) designed to reduce sitting time on short (three months), medium (six months), and longer term (12 months) changes in occupational, daily, and prolonged sitting, standing, and physical activity, and physical, psychological, and work related health. Design Cluster two arm randomised controlled trial. Setting National Health Service trust, England. Participants 37 office clusters (146 participants) of desk based workers: 19 clusters (77 participants) were randomised to the intervention and 18 (69 participants) to control. Interventions The intervention group received a height adjustable workstation, a brief seminar with supporting leaflet, workstation instructions with sitting and standing targets, feedback on sitting and physical activity at three time points, posters, action planning and goal setting booklet, self monitoring and prompt tool, and coaching sessions (month 1 and every three months thereafter). The control group continued with usual practice. Main outcome measures The primary outcome was occupational sitting time (thigh worn accelerometer). Secondary outcomes were objectively measured daily sitting, prolonged sitting (≥30 minutes), and standing time, physical activity, musculoskeletal problems, self reported work related health (job performance, job satisfaction, work engagement, occupational fatigue, sickness presenteeism, and sickness absenteeism), cognitive function, and self reported psychological measures (mood and affective states, quality of life) assessed at 3, 6, and 12 months. Data were analysed using generalised estimating equation models, accounting for clustering. Results A significant difference between groups (in favour of the intervention group) was found in occupational sitting time at 12 months (−83.28 min/workday, 95% confidence interval −116.57 to −49.98, P=0.001). Differences between groups (in favour of the intervention group compared with control) were observed for occupational sitting time at three months (−50.62 min/workday, −78.71 to −22.54, P<0.001) and six months (−64.40 min/workday, −97.31 to −31.50, P<0.001) and daily sitting time at six months (−59.32 min/day, −88.40 to −30.25, P<0.001) and 12 months (−82.39 min/day, −114.54 to −50.26, P=0.001). Group differences (in favour of the intervention group compared with control) were found for prolonged sitting time, standing time, job performance, work engagement, occupational fatigue, sickness presenteeism, daily anxiety, and quality of life. No differences were seen for sickness absenteeism. Conclusions SMArT Work successfully reduced sitting time over the short, medium, and longer term, and positive changes were observed in work related and psychological health. Trial registration Current Controlled Trials ISRCTN10967042 .

Objective : This study compared estimates of time in bed (TIB) and TIB start and end from two algorithms applied to activPAL data with observations of TIB in a polysomnography (PSG) lab. Methods : Twenty-five healthy volunteers (age: 32.4 ± 7.4 years, body mass index: 25.2 ± 3.7 kg/m 2 ) wore a thigh-worn activPAL accelerometer during one-night laboratory-based PSG assessment. TIB and TIB start and end estimates were generated using automated algorithms within Processing PAL and PAL Technologies (PAL Batch software, version 8) applications. Agreement was determined using pairwise 95% equivalence tests (±10% equivalence zone), mean percentage absolute error, intraclass correlation coefficients (ICCs), and 95% limits of agreement. Results : The results for the algorithms were similar. TIB start and end were within the proposed ±10% equivalence zone of the PSG-lab observations, but TIB was not when using either algorithm. Mean percentage absolute errors for both algorithms were approximately 10%, 3%, and 1% for TIB and TIB start and end, respectively. Reliability between both algorithms and PSG lab was poor for TIB (ICC ≥ .39) and TIB start (ICC ≥ .38) and good for TIB end (ICC ≥ .81). Both algorithms recorded more TIB by about 42 ± 60 min and detected earlier TIB start and later TIB end by about 18 ± 62 and 14 ± 9 min, respectively, compared with PSG. Negative fixed biases (PSG–activPAL) were observed for TIB and TIB end from both algorithms ( p < .05). For both algorithms, 95% limits of agreement were ±120 min for TIB and ±125 min for TIB start. Removing two outliers improved the agreement between both algorithms and PSG-lab observations. Conclusions : Processing PAL and PAL Technologies algorithms recorded more TIB by ∼40 min compared with PSG-lab TIB. Researchers should be aware of this discrepancy when using these algorithms and utilize predefined quality control protocols to enhance data quality. Future studies should continue refining these algorithms.

Abstract Background People hospitalised for coronavirus disease 2019 (COVID‐19) have elevated incidence of diabetes. However, it is unclear whether this is due to shared risk factors, confounding or stress hyperglycaemia in response to acute illness. Methods We analysed a multicentre prospective cohort study (PHOSP‐COVID) of people ≥18 years discharged from NHS hospitals across the United Kingdom following COVID‐19. Individuals were included if they attended at least one research visit with a HbA1c measurement within 14 months of discharge and had no history of diabetes at baseline. The primary outcome was new onset diabetes (any type), as defined by a first glycated haemoglobin (HbA1c) measurement ≥6.5% (≥48 mmol/mol). Follow‐up was censored at the last HbA1c measurement. Age‐standardised incidence rates and incidence rate ratios (adjusted for age, sex, ethnicity, length of hospital stay, body mass index, smoking, physical activity, deprivation, hypertension, hyperlipidaemia/hypercholesterolaemia, intensive therapy unit admission, invasive mechanical ventilation, corticosteroid use and C‐reactive protein score) were calculated using Poisson regression. Incidence rates were compared with the control groups of published clinical trials in the United Kingdom by applying the same inclusion and exclusion criteria, where possible. Results Incidence of diabetes was 91.4 per 1000 person‐years and was higher in South Asian (incidence rate ratios [IRR] = 3.60; 1.77, 7.32; p < 0.001) and Black ethnic groups (IRR = 2.36; 1.07, 5.21; p = 0.03) compared with White ethnic groups. When restricted to similar characteristics, the incidence rates were similar to those in UK clinical trials data. Conclusion Diabetes incidence following hospitalisation for COVID‐19 is high, but it remains uncertain whether it is disproportionately higher than pre‐pandemic levels.