Translating Research into Practice: Impact of an Interprofessional Diabetes Education Model on Patient Health Outcomes
Notice bibliographique
Résumé
Background: Patient education programs encouraging diabetes self-management can improve clinical outcomes and lessen diabetes complications. This study implemented an innovative interprofessional student-led diabetes self-management and health promotion program for an underserved population and demonstrated an improvement in participant clinical outcomes and students’ understanding of interprofessional aspects of diabetes care.Methods and Findings: This community-based program was implemented at two sites that serve medically underserved individuals. Students from five health career professions led educational sessions designed to demonstrate critical components of diabetes self-management. The six-month longitudinal program covered topics within the Alphabet Strategy, including Advice, Blood pressure, Cholesterol, Diabetes control, Dental care, Diet, Eye care, Foot care, and Guardian drugs. Participants completed surveys evaluating diabetes knowledge, understanding of diabetes care, and health behaviours. Clinical values were collected before and after the program. Student surveys assessed their understanding of diabetes self-management. Upon completion of the program, all assessments were repeated to determine if there were improvements in outcomes. Thirty-eight participants and thirty students completed the study. There were significant improvements in participants’ diabetes knowledge, understanding of diabetes management, and clinical outcomes. There were significant improvements in the students’ ability to educate patients about foot care, eye care, and guardian drugs, as well as increased awareness of the role of each health profession in diabetes care.Conclusions: This interprofessional health promotion model showed significant improvements in patient and student outcomes. This innovative student-led program could be implemented in other settings and for the management of other chronic diseases.
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 | 0,040 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».