Effectiveness of shared goal setting and decision making to achieve treatment targets in type 2 diabetes patients: A cluster‐randomized trial (<scp>OPTIMAL</scp>)
Notice bibliographique
Résumé
OBJECTIVE: About 20% of patients with type 2 diabetes achieve all their treatment targets. Shared decision making (SDM) using a support aid based on the 5-years results of the ADDITION study on multifactorial treatment, could increase this proportion. RESEARCH DESIGN AND METHODS: Cluster-randomized trial in 35 former ADDITION primary care practices. Practices were randomized to SDM or care as usual (1:1). Both ADDITION and non-ADDITION type 2 diabetes patients, 60-80 years, known with diabetes for 8-12 years, were included. In the intervention group, patients were presented evidence about the relationship between treatment intensity and cardiovascular events. They chose intensive or less intensive treatment and prioritized their targets. After 1 year priorities could be rearranged. FOLLOW-UP: 24 months. Intention-to-treat analysis. MAIN OUTCOME MEASURE: proportion of patients that achieved all three treatment targets. RESULTS: At baseline 26.4% in the SDM group (n=72) had already achieved all three treatment goals (CG: 23.5%, n=81). In the SDM group 44 patients chose intensive treatment, 25 continued their former less intensive treatment and three people switched from the more to the less intensive protocol. After 24 months 31.8% of the patients in the SDM group achieved all three treatment targets (CG: 25.3%), RR 1.26 (95% CI 0.81-1.95). Mean systolic blood pressure decreased in the SDM group (-5.4 mm Hg, P<.01), mean HbA1c and total cholesterol did not change. CONCLUSIONS: Despite an already high baseline level of diabetes care, we found strong indications that SDM on both intensity of treatment and prioritizing treatment goals further improved outcomes.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| 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 ».