MétaCan
Menu
Retour à la cohorte
Enregistrement W4220875739 · doi:10.2196/35687

Continuous Glucose Monitoring Data Sharing in Older Adults With Type 1 Diabetes: Pilot Intervention Study

2022· article· en· W4220875739 sur OpenAlex
Nancy A. Allen, Michelle L. Litchman, James W. Chamberlain, Ernest Grigorian, Eli Iacob, Cynthia A. Berg

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJMIR Diabetes · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Management and Research
Établissements canadiensnon disponible
Organismes subventionnairesNational Center for Advancing Translational SciencesCenter on Aging, University of UtahDexcomUniversity of Utah
Mots-clésContinuous glucose monitoringType 1 diabetesMedicineIntervention (counseling)Diabetes mellitusType 2 diabetesData sharingGerontologyNursingEndocrinologyAlternative medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Family members or friends (care partners [CPs]) of older adults with type 1 diabetes (T1DM) regularly become part of the diabetes care team, but they often lack knowledge about how to become involved to prevent hypo- and hyperglycemia. Continuous glucose monitoring (CGM) allows a person with diabetes to see their glucose levels continuously and to receive predictive alerts. A smartphone data-sharing app called the Follow app allows the person with diabetes to share continuous glucose numbers with others and to receive predictive alerts of impending hypo- and hyperglycemia. However, there are barriers to sharing this continuous glucose level data with CPs. OBJECTIVE: This study aimed to address the barriers to sharing CGM data. Our objective was to examine the feasibility of using CGM with the Follow app and a data-sharing intervention called SHARE plus in older adults with T1DM and their CPs. SHARE plus includes dyadic communication strategies, problem-solving strategies, and action planning to facilitate CGM data sharing. METHODS: Older adults with T1DM (n=20) and their CPs (n=20) received the SHARE plus intervention at baseline. People with diabetes wore the CGM for 12 weeks while sharing their glucose data using the Follow app with CPs. Feasibility data were analyzed using descriptive statistics. RESULTS: The SHARE plus intervention was feasible and was associated with high self-reported satisfaction for people with diabetes and their CPs as well as high adherence to CGM (mean 96%, SD 6.8%). Broad improvements were shown in the diabetes-related quality of life through the use of CGM in people with diabetes and their CPs. Although the majority of people with diabetes (11/20, 55%) were willing to share hyperglycemia data, several chose not to. The majority of people with diabetes (14/20, 70%) were willing to talk about glucose numbers with a CP. CONCLUSIONS: Older adults with T1DM and their CPs identified having someone else aware of glucose levels and working together with a partner on diabetes self-management as positive aspects of the use of the SHARE plus intervention. Clinicians can use these results to provide data sharing coaching in older adults and their CPs.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,758

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,338
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle