The relationship between counselling methods after health check-ups and lipid profile improvement: a retrospective cohort study in Korea
Notice bibliographique
Résumé
Abstract Background: Despite growing numbers of private health check-ups, it is not known whether post-check-up counselling and education can improve chronic disease management. It has previously been shown that, in general, these factors are crucial to chronic disease management. Therefore, this study aimed to determine which counselling methods should be employed, following private check-ups, for optimal chronic disease management.Methods: Participants were 7,039 adults over the age of 20, who received at least three check-ups from September 2013 to August 2019. All participants received the same form of counselling, three or more times consecutively. Three forms of counselling were examined: mail, telephone, and face-to-face. Chi-square tests, one-way analyses of variance, and Scheffé post-hoc analyses were performed to determine the relationship between various demographic characteristics and counselling methods received. We performed covariance analyses after adjusting for age, sex and number of examinations to determine the correlations between the counselling methods and changes in health indicators. When necessary, Bonferroni pairwise comparisons were performed.Results: The face-to-face counselling group was the oldest and had the poorest cardiometabolic parameters and glucose metabolic indices. However, face-to-face counselling was associated with the greatest improvement in levels of total cholesterol (P<0.001) and low-density lipoprotein cholesterol (P<0.001). Conclusion: Face-to-face counselling with doctors seems to be more effective at improving lipid profiles than phone or mail counselling. Further research is required to identify the effects of face-to-face counselling on long-term outcomes such as cardiovascular disease mortality. (IRB number: 1909-006-16282).
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 | 0,175 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,014 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».