Healthcare Professional Perceptions of Blood Glucose Meter Features That Support Achievement of Self-Management Goals Recommended by Clinical Practice Guidelines
Notice bibliographique
Résumé
Background: Blood glucose meters remain an effective tool for blood glucose monitoring (BGM) but not all meters provide the same level of insight beyond the numerical glucose result. Objective: To investigate healthcare professional (HCP) perceptions of four meters and how these meters support the achievement of self-management goals recommended by diabetes clinical practice guidelines. Methods: Three hundred and fifty-three HCPs from five countries reviewed the features and benefits of four meters using interactive webpages and then responded to statements about the utility of each meter and ranked each meter in terms of clinical value. Results: Meter D ranked significantly higher in terms of clinical utility for all 13 guideline questions (70%-84%, P < .05) compared to other meters. Endocrinologists (69%-85%), primary care physicians (PCP; 63%-80%), and diabetes nurses (DN; 80%-89%) consistently ranked meter D highest for all guideline questions. DNs ranked selected questions significantly higher compared to PCPs (8 of 13) or endocrinologists (3 of 13; P < .05). Meter D achieved strong endorsement from HCPs in France and Germany, followed by the United States and Canada, with comparatively lower responses from Italian HCPs ( P < 0.05). With respect to self-management, 80% of HCPs selected meter D as their first choice for patients with type 1 diabetes to help patients improve diabetes management or understand their numbers to help them stay in range. Conclusions: HCPs had strong preference for a meter providing additional insights, messages, and guidance direct to the patient to support achievement of self-management goals recommended by diabetes clinical practice guidelines.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».