MétaCan
Menu
Retour à la cohorte
Enregistrement W4225815552 · doi:10.2196/37737

A Social Media–Based Diabetes Intervention for Low-Income Mandarin-Speaking Chinese Immigrants in the United States: Feasibility Study

2022· article· en· W4225815552 sur OpenAlexvenueno aff
Lu Hu, Nadia Islam, Chau Trinh‐Shevrin, Bei Wu, Naumi Feldman, Kosuke Tamura, Nan Jiang, Sahnah Lim, Chan Wang, Omonigho M. Bubu, Antoinette Schoenthaler, Gbenga Ogedegbe, Mary Ann Sevick

Notice bibliographique

RevueJMIR Formative Research · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Management and Education
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute on Minority Health and Health DisparitiesNational Institute of Diabetes and Digestive and Kidney DiseasesNational Institute on AgingU.S. Department of Health and Human ServicesNational Institutes of HealthAmerican Diabetes Association
Mots-clésMedicineImmigrationIntervention (counseling)GerontologyPopulationType 2 diabetesDescriptive statisticsFamily medicineDiabetes mellitusDemographyEnvironmental healthNursing

Résumé

récupéré en direct d'OpenAlex

Background Chinese immigrants bear a high diabetes burden and face significant barriers to accessing diabetes self-management education (DSME) and counseling programs. Objective The goal of this study was to examine the feasibility and acceptability and to pilot test the potential efficacy of a social media–based DSME intervention among low-income Chinese immigrants with type 2 diabetes (T2D) in New York City. Methods This was a single group pretest and posttest study in 30 Chinese immigrants with T2D. The intervention included 24 culturally and linguistically tailored DSME videos, focusing on diabetes education and behavioral counseling techniques. Over 12 weeks, participants received 2 brief videos each week via WeChat, a free social media app popular among Chinese immigrants. Primary outcomes included the feasibility and acceptability of the intervention. Feasibility was evaluated by recruitment processes, retention rates, and the video watch rate. Acceptability was assessed via a satisfaction survey at 3 months. Secondary outcomes, that is, hemoglobin A1c (HbA1c), self-efficacy, dietary intake, and physical activity, were measured at baseline, 3 months, and 6 months. Descriptive statistics and paired 2-sided t tests were used to summarize the baseline characteristics and changes before and after the intervention. Results The sample population (N=30) consisted of mostly females (21/30, 70%) who were married (19/30, 63%), with limited English proficiency (30/30, 100%), and the mean age was 61 (SD 7) years. Most reported an annual household income of <US $25,000 (24/30, 80%) and a high school education or less (19/30, 63%). Thirty participants were recruited within 2 months (January and February 2020), and 97% (29/30) of the participants were retained at 6 months. A video watch rate of 92% (28/30) was achieved. The mean baseline HbA1c level was 7.3% (SD 1.3%), and this level declined by 0.5% (95% CI –0.8% to –0.2%; P=.003) at 6 months. The mean satisfaction score was 9.9 (SD 0.6) out of 10, indicating a high level of satisfaction with the program. All strongly agreed or agreed that they preferred this video-based DSME over face-to-face visits. Compared to baseline, there were significant improvements in self-efficacy, dietary, and physical activity behaviors at 6 months. Conclusions This pilot study demonstrated that a social media–based DSME intervention is feasible, acceptable, and potentially efficacious in a low-income Chinese immigrant population with T2D. Future studies need to examine the efficacy in an adequately powered clinical trial.

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 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)0,007
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 enseignants0,157
Score d'incertitude au seuil0,509

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,080
Tête enseignante GPT0,449
Écart entre enseignants0,369 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations27
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetDiabetes Management and EducationTravaux en français237 207