Improved Diabetes Care Management Through a Text-Message Intervention for Low-Income Patients: Mixed-Methods Pilot Study
Notice bibliographique
Résumé
BACKGROUND: Diabetes is a major contributor to global death and disability. Text-messaging interventions hold promise for improving diabetes outcomes through better knowledge and self-management. OBJECTIVE: The aim of this study was to examine the implementation and impact of a diabetes text-messaging program targeted primarily for low-income Latino patients receiving care at 2 federally qualified health centers (FQHCs). METHODS: A mixed-methods, quasi-experimental research design was employed for this pilot study. A total of 50 Spanish or English-speaking adult patients with diabetes attending 2 FQHC sites in Los Angeles from September 2015 to February 2016 were enrolled in a 12-week, bidirectional text-messaging program. A comparison group (n=160) was constructed from unexposed, eligible patients. Demographic data and pre/post clinical indicators were compared for both the groups. Propensity score weighting was used to reduce selection bias, and over-time differences in clinical outcomes between groups were estimated using individual fixed-effects regression models. Population-averaged linear models were estimated to assess differential effects of patient engagement on each clinical indicator among the intervention participants. A sample of intervention patients (n=11) and all implementing staff (n=8) were interviewed about their experiences with the program. Qualitative data were transcribed, translated, and analyzed to identify common themes. RESULTS: , relative to patients who were less engaged, controlling for demographic characteristics (P<.001). Qualitative analyses revealed that many participants felt supported, as though "someone was worrying about [their] health." Participants also cited learning new information, setting new goals, and receiving helpful reminders. Staff and patients highlighted strategies to improve the program, including incorporating patient responses into in-person clinical care and tailoring the messages to patient knowledge. CONCLUSIONS: . Patients who were more engaged demonstrated greater improvement. Program improvements, such as linkages to clinical care, hold potential for improving patient engagement and ultimately, improving clinical outcomes.
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 | 0,009 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».