Individual and contextual factors associated with follow‐up use of diabetes self‐management education programmes: a multisite prospective analysis
Notice bibliographique
Résumé
AIMS: Although a considerable body of research supports the efficacy of diabetes self-management education (DSME), these programmes are often challenged by high attrition rates. Little is known about factors influencing follow-up use of DSME services, thus the aim of this study was to identify these factors. METHODS: In this multisite prospective analysis, adults with Type 2 diabetes (n = 268) who attended one of two diabetes management centres (DMCs) were followed over a 1-year period from their initial visit. The influence of individual and contextual factors on the number of contacts with DMC providers was examined. Data were analysed within the context of the Health Behavioral Model of Health Services Utilization. RESULTS: In a multivariable negative binomial regression model, the number of contacts over 1 year was greater for those who were female, non-smokers, unemployed, self-referred to the DMC, lived closer to the DMC, had a lower body mass index, or had a longer known duration of diabetes. Follow-up use of services differed significantly between the two sites. Provider contacts were greater at the centre that offered flexible hours of services and a variety of optional educational modules. CONCLUSIONS: Healthcare professionals need to encourage ongoing use of DSME, particularly for individuals prone to lower follow-up use of these services. Providing services that are accessible, convenient, and can easily fit into patients' schedules may increase follow-up use. Further exploration into how operations and delivery of these services influence utilization patterns is strongly recommended.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».