Providing diabetes education to patients with chronic kidney disease: A survey of diabetes educators in Ontario, Canada
Notice bibliographique
Résumé
BACKGROUND: Patients with diabetes and chronic kidney disease (CKD) have complex diabetes care needs. Diabetes educators can play an important role in their clinical care. AIM: To understand diabetes educators' experience providing diabetes support to patients with CKD and elicit their view on the additional care needs of this population. METHODS: We conducted a quantitative online survey of diabetes educators between May 2019 and May 2020. We surveyed English-speaking educators actively practicing in Ontario, Canada for at least 1 year. We recruited them through provincial Diabetes Education Programs and Diabetes Education Section Chairs of Diabetes Canada. RESULTS: We made email contact with 219/233 (94%) Diabetes Education Programs and 11/12 (92%) provincial Diabetes Canada Section Chairs. 122 unique diabetes educators submitted complete surveys (survey participation rate ∼79%). Most worked in community education programs (91%). Almost half were registered nurses (48%), and 39% had practiced for more than 15 years. Respondents noted difficulty helping patients balance complex medical conditions (19%), faced socioeconomic barriers (17%), and struggled to provide dietary advice (16%). One-third were uncertain of how to support those receiving dialysis. Eighty-five percent felt they needed more training and education to care for this high-risk group. When asked about the care needs of patients with CKD, almost all (90%) felt that patients needed more diabetes support in general. Improvement in care coordination was most commonly suggested (38%). CONCLUSIONS: In this study of the diabetes educators' experience treating patients with diabetes and CKD, respondents noted numerous challenges. There may be opportunities to better support both diabetes care professionals, and patients who live with multiple medical comorbidities.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».