Usability and Teachability of Continuous Glucose Monitoring Devices in Older Adults and Diabetes Educators: Task Analysis and Ease-of-Use Survey
Notice bibliographique
Résumé
BACKGROUND: Continuous glucose monitoring (CGM) devices continuously sense and relay glucose concentration data from the interstitial fluid to a mobile phone or receiver. Older adults benefit from this continuous monitoring of glucose levels. Proper deployment of the sensing wire is facilitated by a specialized applicator. OBJECTIVE: Our aim was to assess a new seventh-generation (G7) CGM device (Dexcom, Inc) for use by adults 65 years of age or older and certified diabetes care and education specialists (CDCESs). Ease of use related to intradermal insertion and mobile app setup will be assessed and compared to the fifth- and sixth-generation systems. METHODS: Formal task analysis was conducted to enumerate the number and complexity of tasks associated with CGM deployment. We recruited 10 older adults with no prior CGM experience and 10 CDCESs to assess ease of use through hands-on insertion and initiation of a G7 system followed by a survey and, for older adults, a system usability scale survey. RESULTS: About half as many tasks are needed to deploy G7 compared to G6. Older adults and CDCESs reported overall high usability of the G7 CGM device. CDCESs noted G7's easier setup compared to previous generations. The system usability scale score for the CGM system was 92.8, which reflects excellent usability. CONCLUSIONS: For CDCESs and for older adults using the G7 CGM system, cognitive burden is relatively low and reduced compared to previous CGM systems. Easing of this burden and simplification of the glucose monitoring aspect of proper diabetes management will likely contribute to improved outcomes in this population.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».