Insights into optimal basal insulin titration in type 2 diabetes: <scp>R</scp> esults of a quantitative survey
Notice bibliographique
Résumé
AIMS: Basal insulin (BI) treatment initiation and dose titration in type 2 diabetes (T2DM) are often delayed. Such "clinical inertia" results in poor glycaemic control and high risk of long-term complications. This survey aimed to determine healthcare professional (HCP) and patient attitudes to BI initiation and titration. METHODS: An online survey (July-August 2015) including HCPs and patients with T2DM in the USA, France and Germany. Patients were ≥18 years old and had been on BI for 6 to 36 months, or discontinued BI within the previous 12 months. RESULTS: Participants comprised 386 HCPs and 318 people with T2DM. While >75% of HCPs reported discussing titration at the initiation visit, only 16% to 28% of patients remembered such discussions, many (32%-42%) were unaware of the need to titrate BI, and only 28% to 39% recalled mention of the time needed to reach glycaemic goals. Most HCPs and patients agreed that more effective support tools to assist BI initiation/titration are needed; patients indicated that provision of such tools would increase confidence in self-titration. HCPs identified fear of hypoglycaemia, failure to titrate in the absence of symptoms, and low patient motivation as important titration barriers. In contrast, patients identified weight gain, the perception that titration meant worsening disease, frustration over the time to reach HbA1c goals and fear of hypoglycaemia as major factors. CONCLUSION: A disconnect exists between HCP- and patient-perceived barriers to effective BI titration. To optimize titration, strategies should be targeted to improve HCP-patient communication, and provide support and educational tools.
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 | 0,003 |
| 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 | 0,000 | 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 ».