Improving Management of Type 2 Diabetes Using Home-Based Telemonitoring: Cohort Study
Notice bibliographique
Résumé
Background Diabetes is present in 10.5% of the US population and accounts for 14.3% of all office-based physician visits made by adults. Despite this established office-based approach, the disease and its adverse outcomes including glycemic control and clinical events tend to worsen over time. Available home technology now provides accurate, reliable data that can be transmitted directly to the electronic medical record. Objective This study aims to evaluate the impact of a virtual, home-based diabetes management program on clinical measures of diabetes control compared to usual care. Methods We evaluated glycemic control and other diabetes-related measures after 1 year in 763 patients with type 2 diabetes enrolled into a home-based digital medicine diabetes program and compared them to 794 patients matched for age, sex, race, BMI, hemoglobin A1c (HbA1c), creatinine, estimated glomerular filtration rate, and insulin use in a usual care group after 1 year. Digital medicine patients completed questionnaires online, received medication management and lifestyle recommendations from a clinical pharmacist or advanced practice provider and a health coach, and were asked to submit blood glucose readings using a commercially available Bluetooth-enabled glucose meter that transmitted data directly to the electronic medical record. Results After 1 year, usual care patients demonstrated no significant changes in HbA1c (mean 7.3, SE 1.7 to mean 7.3, SE 1.6; P=.41) or changes in the proportion of patients with HbA1c≥9.0 (n=117, 15% to n=113, 14%; P=.51). Digital medicine patients demonstrated improvements in HbA1c (mean 7.3, SE 1.5 to mean 6.9, SE 1.2; P<.001) and significant changes in the proportion of patients with HbA1c≥9.0 (n=107, 14% to n=49, 6%; P<.001), diabetes distress (n=198, 26% to n=122, 16%; P<.001), and hypoglycemic episodes (n=313, 41.1% to n=91, 11.9%; P<.001). Conclusions A digital diabetes program is associated with significant improvement in glycemic control and other diabetes measures. The use of a virtual health intervention using connected devices was widely accepted across a broad range of ethnic diversity, ages, and levels of health literacy.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».