Implementation Plan for a High-Frequency, Low-Touch Care Model at Specialized Type 1 Diabetes Clinics: Model Development
Notice bibliographique
Résumé
BACKGROUND: Individuals with type 1 diabetes (T1D) are more likely to achieve optimal glycemic management when they have frequent visits with their health care team. There is a potential benefit of frequent, telemedicine interventions as an effective strategy to lower hemoglobin A1c (HbA1c). OBJECTIVE: The objective is this study was to understand the provider- and system-level factors affecting the successful implementation of a virtual care intervention in type 1 diabetes (T1D) clinics. METHODS: Semistructured interviews were conducted with managers and certified diabetes educators (CDEs) at diabetes clinics across Southern Ontario before the COVID-19 pandemic. Deductive analysis was carried out using the Theoretical Domains Framework, followed by mapping to behavior change techniques to inform potential implementation strategies for high-frequency virtual care for T1D. RESULTS: There was considerable intention to deliver high-frequency virtual care to patients with T1D. Participants believed that this model of care could lead to improved patient outcomes and engagement but would likely increase the workload of CDEs. Some felt there were insufficient resources at their site to enable them to participate in the program. Member checking conducted during the pandemic revealed that clinics and staff had already developed strategies to overcome resource barriers to the adoption of virtual care during the pandemic. CONCLUSIONS: Existing enablers for high-frequency virtual care for T1D can be leveraged, and barriers can be overcome with targeted clinical incentives and support.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».