A Pilot Study Examining Patient Attitudes and Intentions to Adopt Assistive Technologies Into Type 2 Diabetes Self-Management
Notice bibliographique
Résumé
Approximately half of individuals living with type 2 diabetes mellitus (T2DM) have suboptimal self-management, which could be improved by using assistive technologies in self-management regimes. This study examines patient attitudes and intentions to adopt assistive technologies into T2DM self-management. Forty-four participants (M = 58.7 years) with T2DM were recruited from diabetes education classes in the southwestern Ontario, Canada, between February and April 2014. Participants completed a self-reported in-person survey assessing demographic characteristics, current diabetes management, and attitudes toward using assistive technologies in their diabetes self-management. Demographics, disease characteristics, and current technology use and preferences of the cohort were examined, followed by a correlational analysis of descriptive characteristics and attitudes and intentions to use technology in self-management. The majority of (but not all) participants felt that using Internet applications (65%) and smartphone (53.5%) applications for self-management was a good idea. The majority of participants did not currently use an Internet (92.5%) or mobile (96%) application for self-management. Of participants, 77% intended to use an Internet application to manage their diabetes in the future and 58% intended to use mobile applications. Younger age was associated with more positive attitudes (r = -.432, P = .003) and intentions (r = -.425, P = .005) to use assistive technologies in diabetes self-management. Findings suggest that patients, especially those younger in age, are favorable toward adopting assistive technologies into management practice. However, attitudes among older adults are less positive, and few currently make use of such technologies in any age group.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».