Factors contributing to attrition behavior in diabetes self-management programs: A mixed method approach
Notice bibliographique
Résumé
BACKGROUND: Diabetes self-management education is a critical component in diabetes care. Despite worldwide efforts to develop efficacious DSME programs, high attrition rates are often reported in clinical practice. The objective of this study was to examine factors that may contribute to attrition behavior in diabetes self-management programs. METHODS: We conducted telephone interviews with individuals who had Type 2 diabetes (n = 267) and attended a diabetes education centre. Multivariable logistic regression was performed to identify factors associated with attrition behavior. Forty-four percent of participants (n = 118) withdrew prematurely from the program and were asked an open-ended question regarding their discontinuation of services. We used content analysis to code and generate themes, which were then organized under the Behavioral Model of Health Service Utilization. RESULTS: Working full and part-time, being over 65 years of age, having a regular primary care physician or fewer diabetes symptoms were contributing factors to attrition behaviour in our multivariable logistic regression. The most common reasons given by participants for attrition from the program were conflict between their work schedules and the centre's hours of operation, patients' confidence in their own knowledge and ability when managing their diabetes, apathy towards diabetes education, distance to the centre, forgetfulness, regular physician consultation, low perceived seriousness of diabetes, and lack of familiarity with the centre and its services. There was considerable overlap between our quantitative and qualitative results. CONCLUSION: Reducing attrition behaviour requires a range of strategies targeted towards delivering convenient and accessible services, familiarizing individuals with these services, increasing communication between centres and their patients, and creating better partnerships between centres and primary care physicians.
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 | 0,057 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».