MétaCan
Menu
Retour à la cohorte
Enregistrement W4327900083 · doi:10.2196/40420

The Effectiveness of an eHealth Family-Based Intervention Program in Patients With Uncontrolled Type 2 Diabetes Mellitus (T2DM) in the Community Via WeChat: Randomized Controlled Trial

2023· article· en· W4327900083 sur OpenAlexvenueno aff
Yuheng Feng, Yuxi Zhao, Linqi Mao, Minmin Gu, Hong Yuan, Jun Lü, Qi Zhang, Qian Zhao, Xiaohong Li

Notice bibliographique

RevueJMIR mhealth and uhealth · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Management and Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-cléseHealthRandomized controlled trialType 2 Diabetes MellitusMedicineWorryPhysical therapyIntervention (counseling)Family medicineHealth careDiabetes mellitusAnxietyNursingPsychiatryInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background Intervention based on family support and risk perception can enhance type 2 diabetes mellitus (T2DM) patients’ self-care activities. In addition, eHealth education is considered to improve family members’ support for patients with T2DM. However, there is little evidence from rigorously designed studies on the effectiveness of an intervention combining these approaches. Objective This randomized controlled trial (RCT) aimed to assess the effectiveness of an eHealth family-based health education intervention for patients with T2DM to improve their glucose control, risk perception, and self-care behaviors. Methods This single-center, 2-parallel-group RCT was conducted between 2019 and 2020. Overall, 228 patients were recruited from Jiading District, Shanghai, and randomly divided into intervention and control groups. The intervention group received an eHealth family intervention based on community management via WeChat, whereas the control group received usual care. The primary outcome was the glycated hemoglobin (HbA1c) level of the patients with T2DM, and the secondary outcomes were self-management behavior (general and specific diet, exercise, blood sugar testing, foot care, and smoking), risk perception (risk knowledge, personal control, worry, optimism bias, and personal risk), and family support (supportive and nonsupportive behaviors). A 2-tailed paired-sample t test was used to compare the participants at baseline and follow-up within the control and intervention groups. An analysis of covariance was used to measure the intervention effect. Results In total, 225 patients with T2DM were followed up for 1 year. After intervention, they had significantly lower HbA1c values (β=–.69, 95% CI –0.99 to –0.39; P<.001). They also had improved general diet (β=.60, 95% CI 0.20 to 1.00; P=.003), special diet (β=.71, 95% CI 0.34 to 1.09; P<.001), blood sugar testing (β=.50, 95% CI 0.02 to 0.98; P=.04), foot care (β=1.82, 95% CI 1.23 to 2.42; P<.001), risk knowledge (β=.89, 95% CI 0.55 to 1.24; P<.001), personal control (β=.22, 95% CI 0.12 to 0.32; P<.001), worry (β=.24, 95% CI 0.10 to 0.39; P=.001), optimism bias (β=.26, 95% CI 0.09 to 0.43; P=.003), and supportive behaviors (β=5.52, 95% CI 4.03 to 7.01; P<.001). Conclusions The eHealth family-based intervention improved glucose control and self-care activities among patients with T2DM by aiding the implementation of interventions to improve T2DM risk perceptions among family members. The intervention is generalizable for patients with T2DM using health management systems in community health centers. Trial Registration Chinese Clinical Trial Registry ChiCTR1900020736; https://www.chictr.org.cn/showprojen.aspx?proj=31214

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0040,004
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,022
Tête enseignante GPT0,355
Écart entre enseignants0,333 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
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

Citations37
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetDiabetes Management and EducationTravaux en français237 207