Patterns and correlates of use of evidence-based interventions to control diabetes by local health departments across the USA
Notice bibliographique
Résumé
OBJECTIVE: The nearly 3000 local health departments (LHDs) nationwide are the front line of public health and are positioned to implement evidence-based interventions (EBIs) for diabetes control. Yet little is currently known about use of diabetes-related EBIs among LHDs. This study used a national online survey to determine the patterns and correlates of the Centers for Disease Control and Prevention Community Guide-recommended EBIs for diabetes control in LHDs. RESEARCH DESIGN AND METHODS: A cross-sectional study was conducted to survey a stratified random sample of LHDs regarding department characteristics, respondent characteristics, evidence-based decision making within the LHD, and delivery of EBIs (directly or in collaboration) within five categories (diabetes-related, nutrition, physical activity, obesity, and tobacco). Associations between delivering EBIs and respondent and LHD characteristics and evidence-based decision making were explored using logistic regression models. RESULTS: Among 240 LHDs there was considerable variation among the EBIs delivered. Diabetes prevalence in the state was positively associated with offering the Diabetes Prevention Program (OR=1.28 (95% CI 1.02 to 1.62)), diabetes self-management education (OR=1.32 (95% CI 1.04 to 1.67)), and identifying patients and determining treatment (OR=1.27 (95% CI 1.05 to 1.54)). Although all organizational supports for evidence-based decision making factors were related in a positive direction, the only significant association was between evaluation capacity and identifying patients with diabetes and determining effective treatment (OR=1.54 (95% CI 1.08 to 2.19)). CONCLUSION: Supporting evidence-based decision making and increasing the implementation of these EBIs by more LHDs can help control diabetes nationwide.
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 | 0,012 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».