Glucose Control, Disease Burden, and Educational Gaps in People With Type 1 Diabetes: Exploratory Study of an Integrated Mobile Diabetes App
Notice bibliographique
Résumé
Background: Self-monitoring and self-management, crucial for optimal glucose control in type 1 diabetes, requires many disease-related decisions per day and imposes a substantial disease burden on people with diabetes. Innovative technologies that integrate relevant measurements may offer solutions that support self-management, decrease disease burden, and benefit diabetes control. Objective: The objective of our study was to evaluate a prototype integrated mobile phone diabetes app in people with type 1 diabetes. Methods: In this exploratory study, we developed an app that contained cloud-stored log functions for glucose, carbohydrates (including a library), insulin, planned exercise, and mood, combined with a bolus calculator and communication functions. Adults with diabetes tested the app for 6 weeks. We assessed the feasibility of app use, user experiences, perceived disease burden (through questionnaires), insulin dose and basal to bolus ratio, mean glucose level, hemoglobin A1c, and number of hypoglycemic events. Results: A total of 19 participants completed the study, resulting in 5782 data entries. The most frequently used feature was logging blood glucose, insulin, and carbohydrates. Mean diabetes-related emotional problems (measured with the Problem Areas in Diabetes scale) scores decreased from 14.4 (SD 10.0) to 12.2 (SD 10.3; P=.04), and glucose control improved, with hemoglobin A1c decreasing from 7.9% (mean 62.3, SD 8 mmol/mol) to 7.6% (mean 59.8, SD 7 mmol/mol; P=.047). The incidence of hypoglycemic events did not change. Participants were generally positive about the app, rating it as “refreshing,” and as providing structure by reinforcing insulin-dosing principles. The app revealed substantial knowledge gaps. Logged data enabled additional detailed analyses. Conclusions: An integrated mobile diabetes app has the potential to improve diabetes self-management and provide tailored educational support, which may decrease disease burden and benefit diabetes control.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».