MétaCan
Menu
Retour à la cohorte
Enregistrement W3003081363 · doi:10.2196/16266

Effect of a Mobile Phone–Based Glucose-Monitoring and Feedback System for Type 2 Diabetes Management in Multiple Primary Care Clinic Settings: Cluster Randomized Controlled Trial

2020· article· en· W3003081363 sur OpenAlexvenueno aff
Yeoree Yang, Eun Young Lee, Hun‐Sung Kim, Seung‐Hwan Lee, Kun‐Ho Yoon, Jae‐Hyoung Cho

Notice bibliographique

RevueJMIR mhealth and uhealth · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineRandomized controlled trialDiabetes managementType 2 Diabetes MellitusDiabetes mellitusCluster randomised controlled trialType 2 diabetesOutpatient clinicTelemedicineMobile phoneShort Message ServicemHealthIntervention (counseling)Physical therapyPsychological interventionHealth careInternal medicineNursing

Résumé

récupéré en direct d'OpenAlex

Background Recent evidence of the effectiveness of mobile phone–based diabetes management systems is generally based on studies conducted in tertiary hospitals or professional diabetes clinics. Objective This study aimed to evaluate the clinical efficacy and applicability of a mobile phone–based glucose-monitoring and feedback system for the management of type 2 diabetes mellitus (T2DM) in multiple primary care clinic settings. Methods In this multicenter, cluster-randomized controlled, open trial, 13 primary care clinics in Seoul and other large cities in South Korea were voluntarily recruited. Overall, 150 (9 clinics) and 97 (4 clinics) participants with T2DM were assigned to the intervention and control groups, respectively (2:1 allocation). Every month, participants in both groups attended face-to-face physicians’ consultation for the management of diabetes in the clinic. For the intervention group, participants were required to upload their daily self-monitoring of blood glucose (SMBG) results using the mobile phone app in addition to outpatient care for 3 months. The results were automatically transmitted to the main server. Physicians had to check their patients’ SMBG results through an administrator’s website and send a short feedback message at least once a week. At baseline and 3 months, both groups had anthropometry and blood tests, including hemoglobin A1c (HbA1c), and responded to questionnaires about treatment satisfaction and compliance. Results At 3 months, participants in the intervention group showed significantly more improvement in HbA1c (adjusted mean difference to control −0.30%, 95% CI −0.50 to −0.11; P=.003) and fasting plasma glucose (−17.29 mg/dL, 95% CI −29.33 to −5.26; P=.005) than those in the control group. In addition, there was significantly more reduction in blood pressure, and the score regarding treatment satisfaction and motivation for medication adherence increased more in the intervention group than in the control group. In the subgroup analyses, the effect on glycemic control was more significant among younger patients and higher baseline HbA1c levels. Conclusions The mobile phone–based glucose-monitoring and feedback system was effective in glycemic control when applied in primary care clinic settings. This system could be utilized effectively with diverse institutions and patients. Trial Registration Clinical Research Information Service (CRIS) https://tinyurl.com/tgqawbz

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,153
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0030,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,419
Écart entre enseignants0,377 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations156
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207