Does patient education improve compliance to routine diabetic retinopathy screening?
Notice bibliographique
Résumé
Introduction: Diabetic retinopathy (DR) screening relies on adherence to follow-up eye care. This article assesses if a model of patient education and tele-retina screening among high-risk patients with DR can achieve increased rates of compliance within a one-year follow-up. Methods: Between May 2014 and May 2016, DR screening was conducted in a cohort of 101 patients with diabetes in Southern Ontario. Optical coherence tomography and fundus photography images were used to visualize the retina remotely. Enrolled patients participated in an educational seminar at the screening site with the expressed purpose of enhancing patient understanding of DR. A chi-squared test was used to assess patient compliance to follow-up examinations within 6–12 months, while pre-to post-screening HbA1c levels were compared using a dependent t-test. Results: Of 101 patients who completed the study, 33 patients (32.6%) have never previously been screened for DR. Baseline compliance to annual screening increased from 36 patients (35.6%) to 51 patients (50.5%) after the tele-retina programme (p = 0.03). Eighty-nine patients (88%) were referred to an optometrist for ongoing care compared with 12 patients (11.9%) to an ophthalmologist for management of DR. Overall, 100 patients (99.0%) were satisfied with the tele-retina screening. There was no significant change in pre- to-post screening HbA1c levels (p = 0.91). Discussion: Patient education-focused tele-retina screening for DR significantly increased compliance to follow-up in a high-risk, non-compliant patient population. Management of diabetes as captured by HbA1c levels remain unchanged in the cohort indicating a need for ongoing inter-professional collaboration in education and vision screening.
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) | 0,000 | 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 ».