Notice bibliographique
Résumé
BACKGROUND: Various technologies are commonly used to support type 1 diabetes management (continuous subcutaneous insulin infusion therapy, continuous glucose monitoring systems, smartphone and tablet applications, and video conferencing) and may foster self-care, communication, and engagement with health care services. Diabetes educators are key professional supporters of this patient group, and ideally positioned to promote and support technology use. The aim of this study was to examine diabetes educators' perceived experiences, supports, and barriers to use of common diabetes-related technologies for people with type 1 diabetes. METHODS: This qualitative ethnographic study recruited across metropolitan, regional and rural areas of Australia using purposive sampling of Australian Diabetes Educators Association members. Data were collected by semistructured telephone interviews and analyzed using thematic analysis. RESULTS: Participants (n = 31) overwhelmingly indicated that overall the use of technology in the care of patients with type 1 diabetes was burdensome for them. They identified 3 themes involving common diabetes-related technologies: access to technology, available support, and technological advances. Overall, these themes demonstrated that while care was usually well intentioned it was more often fragmented and inconsistent. Most often care was provided by a small number of diabetes educators who had technology expertise. CONCLUSIONS: To realize the potential benefits of these relatively new but common diabetes technologies, many diabetes educators need to attain and retain the skills required to deliver this essential component of care. Furthermore, policy and strategy review is required, with reconfiguration of services to better support care delivery.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».