User Engagement Among Diverse Adults in a 12-Month Text Message–Delivered Diabetes Support Intervention: Results from a Randomized Controlled Trial
Notice bibliographique
Résumé
BACKGROUND: Text message-delivered interventions are a feasible and scalable approach for improving chronic disease self-care and reducing health disparities; however, information on long-term user engagement with these interventions is limited. OBJECTIVE: The aim of this study is to examine user engagement in a 12-month text message-delivered intervention supporting diabetes self-care, called REACH (Rapid Education/Encouragement And Communications for Health), among racially and socioeconomically diverse patients with type 2 diabetes (T2D). We explored time trends in engagement, associations between patient characteristics and engagement, and whether the addition of a human component or allowing patients to change their text frequency affected engagement. Qualitative data informed patients' subjective experience of their engagement. METHODS: We recruited patients with T2D for a randomized trial evaluating mobile phone support relative to enhanced treatment as usual. This analysis was limited to participants assigned to the intervention. Participants completed a survey and hemoglobin A1c (HbA1c) test and received REACH text messages, including self-care promotion texts, interactive texts asking about medication adherence, and adherence feedback texts. For the first 6 months, texts were sent daily, and half of the participants also received monthly phone coaching. After 6 months, coaching stopped, and participants had the option to receive fewer texts for the subsequent 6 months. We defined engagement via responses to the interactive texts and responses to a follow-up interview. We used regression models to analyze associations with response rate and thematic and structural analysis to understand participants' reasons for responding to the texts and their preferred text frequency. RESULTS: The participants were, on average, aged 55.8 (SD 9.8) years, 55.2% (137/248) female, and 52.0% (129/248) non-White; 40.7% (101/248) had ≤ a high school education, and 40.7% (101/248) had an annual household income
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 | 0,010 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».