Exploring Severe Mental Illness and Diabetes: Protocol for a Longitudinal, Observational, and Qualitative Mixed Methods Study
Notice bibliographique
Résumé
BACKGROUND: The average life expectancy for people with a severe mental illness (SMI) such as schizophrenia or bipolar disorder is 15 to 20 years less than that for the population as a whole. Diabetes contributes significantly to this inequality, being 2 to 3 times more prevalent in people with SMI. Various risk factors have been implicated, including side effects of antipsychotic medication and unhealthy lifestyles, which often occur in the context of socioeconomic disadvantage and health care inequality. However, little is known about how these factors may interact to influence the risk of developing diabetes and poor diabetic outcomes, or how the organization and provision of health care may contribute. OBJECTIVE: This study aims to identify the determinants of diabetes and to explore variation in diabetes outcomes for people with SMI. METHODS: This study will employ a concurrent mixed methods design combining the interrogation of electronic primary care health records from the Clinical Practice Research Datalink (CPRD GOLD) with qualitative interviews with adults with SMI and diabetes, their relatives and friends, and health care staff. The study has been funded for 2 years, from September 2017 to September 2019, and data collection has recently ended. RESULTS: CPRD and linked health data will be used to explore the association of sociodemographics, illness, and health care-related factors with both the development and outcomes of type 2 diabetes in people with SMI. Experiences of managing the comorbidity and accessing health care will be explored through qualitative interviews using topic guides informed by evidence synthesis and expert consultation. Findings from both datasets will be merged to develop a more comprehensive understanding of diabetes risks, interventions, and outcomes for people with SMI. Findings will be translated into recommendations for interventions and services using co-design workshops. CONCLUSIONS: Improving diabetes outcomes for people with SMI is a high-priority area nationally and globally. Understanding how risk factors combine to generate high prevalence of diabetes and poor diabetic outcomes for this population is a necessary first step in developing health care interventions to improve outcomes for people with diabetes and SMI. TRIAL REGISTRATION: ClinicalTrials.gov NCT03534921; https://clinicaltrials.gov/ct2/show/NCT03534921.
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 | 0,093 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,008 | 0,004 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,066 | 0,011 |
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 ».