Effectiveness of digital health interventions for diabetes: systematic review of systematic reviews
Notice bibliographique
Résumé
Abstract Background The use of digital health technologies to tackle diabetes has been particularly flourishing in recent years. Previous studies have shown to varying degrees that these technologies can have an impact on diabetes prevention and management. Objective The aim of this review is to summarize the best evidence regarding the effectiveness of digital health interventions to improve one or more diabetes indicators. Methods We included all types of interventions aimed at evaluating the effect of digital health on diabetes. We considered at all types of digital interventions (mobile health, teleconsultations, tele-expertise, electronic health records, decision support systems, e-learning, etc.). We included systematic reviews published in English or French over the last 29 years, from January 1991 to December 2019, that met the inclusion criteria. Two reviewers independently reviewed the titles and abstracts of the studies to assess their eligibility, and extracted relevant information according to a predetermined grid. Any disagreement was resolved by discussion and consensus between the two reviewers, or involved a third author as referee. Results In total in our review of journals, we included 10 reviews. The outcomes of interest were clinical indicators of diabetes that could be influenced by digital interventions. These outcomes had to be objectively measurable indicators related to diabetes surveillance and management that are generally accepted by diabetes experts. Six of the ten reviews showed moderate to large significant reductions in glycated hemoglobin (HBA1c) levels compared to controls. Most reviews reported overall positive results and found that digital health interventions improved health care utilization, behaviours, attitudes, knowledge and skills. Conclusion Based on a large corpus of scientific evidence on digital health interventions, this overview could help identify the most effective interventions to improve diabetes indicators.
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 | 0,025 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,015 | 0,012 |
| Bibliométrie | 0,013 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».