Self-Monitoring Technologies for Type 2 Diabetes and the Prevention of Cardiovascular Complications: Perspectives from End Users
Notice bibliographique
Résumé
BACKGROUND: The objective of this study was to explore facilitators and barriers to the adoption of self-monitoring devices in individuals with type 2 diabetes mellitus (T2DM). METHODS: Individuals with T2DM who were currently using one or more devices to monitor their disease participated in focus groups. Transcripts of focus group meetings were coded into themes by two reviewers using NVivo qualitative software. RESULTS: Twenty-eight adults with T2DM reported using a blood glucose meter, and almost half reported monitoring their blood pressure. Few individuals consistently monitored other aspects of their cardiovascular health. Four major themes impacting device use/disuse were identified: knowledge gaps, relationships with health care providers, environment, and personal experience. Knowledge barriers included lack of information regarding diabetes and the associated risk of complications. Perceptions of inconvenience, pain, and financial restrictions were important factors influencing the adoption, use, and abandonment of self-monitoring devices. Community-run programs, as well as dieticians and pharmacists, were identified as important resources for accessing information related to T2DM. CONCLUSIONS: We identified the need for development of accessible and relevant education material; improved communication of disease-specific information between patients and providers, as well as providers and community resources; and strategies to improve the convenience and cost of monitoring devices.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».