Clinical care gaps and solutions in diabetes and advanced chronic kidney disease: a patient-oriented qualitative research study
Notice bibliographique
Résumé
BACKGROUND: Patients with diabetes and advanced chronic kidney disease face a high health care burden. As part of a patient-oriented research initiative to identify ways to better support patients' diabetes care, we explored their health care experience and solutions for patient-centred diabetes care. METHODS: We engaged 2 patients with advanced kidney disease and diabetes to join our multidisciplinary team as full research partners. They were involved in our design and conduct of the study, the analysis of the results and knowledge translation. We conducted qualitative interviews (1:1 semistructured interviews and focus groups) with patients with a history of both diabetes (type 1 or 2) and advanced kidney disease including those using dialysis. We identified overarching themes using individual and team analysis and conducted interviews until data saturation was reached. RESULTS: Twelve participants were interviewed between October 2017 and February 2018. Six people were interviewed in 2 separate focus groups (consisting of 4 and 2 participants) and 6 participated in 1:1 interviews with our team. Participants described being burdened by medical appointments, strict conflicting diets, costly diabetes therapies and fragmented, siloed health care. They indicated that self-management support, education and coordinated diabetes care might better support their diabetes care. INTERPRETATION: Patients with complex medical comorbidities face many challenges traversing a health care system organized around single diseases. Researchers and policy-makers should study and develop patient-centred diabetes care strategies to better support these high-risk patients.
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 | 0,001 | 0,001 |
| 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 ».