Incorporation of a Stress Reducing Mobile App in the Care of Patients With Type 2 Diabetes: A Prospective Study
Notice bibliographique
Résumé
BACKGROUND: Severe and sustained emotional stress creates a physiological burden through increased sympathetic activity and higher energy demand. This may lead to increased oxidative stress and development of the metabolic syndrome. Emotional stress has been shown to contribute to the onset, progression, and control of type 2 diabetes (T2D). Stress management and biofeedback assisted relaxation have been shown to improve glycemic control. Use of a mobile app for stress management may enhance the scalability of such an approach. OBJECTIVE: The aim of this study was to assess the effect of using a mobile app of biofeedback-assisted relaxation on weight, blood pressure (BP), and glycemic measures of patients with T2D. METHODS: Adult patients with T2D and inadequate glycemic control (hemoglobin A1c [HbA1c]>7.5%) were recruited from the outpatient diabetes clinic. Baseline weight, BP, HbA1c, fasting plasma glucose (FPG), triglycerides (TG), and 7-point self-monitoring of blood glucose were measured. Patients were provided with a stress reducing biofeedback mobile app and instructed to use it 3 times a day. The mobile app-Serenita-is an interactive relaxation app based on acquiring a photoplethysmography signal from the mobile phone's camera lens, where the user places his finger. The app collects information regarding the user's blood flow, heart rate, and heart rate variability and provides real-time feedback and individualized breathing instructions in order to modulate the stress level. All clinical and biochemical measures were repeated at 8 and 16 weeks of the study. The primary outcome was changes in measures at 8 weeks. RESULTS: Seven patients completed 8 weeks of the study and 4 completed 16 weeks. At week 8, weight dropped by an average of 4.0 Kg (SD 4.3), systolic BP by 8.6 mmHg (SD 18.6), HbA1c by 1.3% (SD 1.6), FPG by 4.3 mmol/l (4.2), and serum TG were unchanged. CONCLUSIONS: Stress reduction using a mobile app based on biofeedback may improve glycemic control, weight, and BP.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».