Diabetes coaching for individuals with type 2 diabetes: <scp>A</scp> state‐of‐the‐science review and rationale for a coaching model
Notice bibliographique
Résumé
Diabetes coaching is emerging as an important role in self-management and care. The conceptualization of coaching, and how to implement and evaluate coaching has not been articulated in the literature. The aim of the study was to review the literature to: (i) identify the components of coaching using a validated framework, including the description of the role of technology; (ii) describe the implementation and evaluation measures for diabetes coaching; and (iii) propose a diabetes coaching model for future implementation. The EMBASE, MEDLINE, Cumulative Index to Nursing and Allied Health Literature (CINAHL), PsychINFO and Cochrane Central Register of Controlled Trials databases were searched from inception to January 2015. Two evaluators independently screened and extracted data from eligible studies for descriptions of coaching. Eight trials met the selection criteria, with no consistency in the core components of coaching. However, elements noted across all studies included goal setting, diabetes knowledge acquisition, individualized care, and frequent follow-up. Only two studies leveraged technology for coaching communication purposes. Diabetes coaching is an intervention that can support the ongoing and complex needs of patients; however, implementation and evaluation strategies are limited in the literature. A diabetes coaching model is presented, derived from components identified throughout the literature with direction for implementation and evaluation approaches, and optimal integration into the healthcare system.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».