Patient Perspectives on Managing Type 1 Diabetes During High-Performance Exercise: What Resources Do They Want?
Notice bibliographique
Résumé
OBJECTIVE: Athletes with type 1 diabetes face unique challenges that make it difficult for health care providers to offer concise recommendations for diabetes management. Moreover, little is known about patient preferences for diabetes management during high-level and competitive exercise. We undertook a qualitative study to understand patient perspectives on managing type 1 diabetes during exercise. METHODS: A qualitative design using focus groups was selected. Samples of 5-10 participants per group were recruited to participate in one of three 1.5-hour sessions focusing on experiences in managing diabetes, supports, and desired resources. Sessions were audiotaped and transcribed verbatim. Data were analyzed iteratively among team members. RESULTS: The study included 21 participants (10 male and 11 female) with a mean age of 41 years. Most participants used trial and error to manage their blood glucose around exercise. Frequent monitoring of blood glucose was a common strategy and a challenge during exercise. Hypoglycemia after exercise and adrenaline-fueled hyperglycemia during exercise were the most prevalent concerns. Most participants relied on themselves, an endocrinologist, or the Internet for support but said they would prefer to rely more on peers with type 1 diabetes and mobile apps. Peer support or mentorship was strongly supported with recommendations for moving forward. CONCLUSION: This study highlights the individualized nature of balancing glycemic control in athletes and athletes' heavy self-reliance to develop strategies. Expanding the availability of resources such as peer mentoring and mobile apps could potentially support athletes with type 1 diabetes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».