Prescribing Home Digital Thermometry Coupled with Activity Dosing and Optimized Offloading to Prolong Diabetic Foot Remission: A Case Report
Notice bibliographique
Résumé
People with a history of diabetic foot ulcers (DFUs) experience diminished health-related quality of life and are at a 40% annual risk of DFU recurrence. Due to a fear of DFU recurrence, people in DFU remission participate less in physical activity and moderate-intensity exercise when compared to people with diabetes who have not had wounds. There is novel evidence to suggest that too little activity during DFU remission contributes to only low magnitudes of repetitive tissue loading creating a higher susceptibility to skin trauma during inadvertent high-activity bouts. Conversely, a hasty return to too much activity could lead to rapid recurrence. There is now high-level evidence from multiple meta-analyses to indicate that home-based foot temperature monitoring, coupled with activity modification and daily inspection of the feet for impending signs of ulceration, could reduce the risk of ulcer recurrence by 50%. There is little evidence, however, to guide the decision-making regarding the appropriate quantity and frequency of physical activity during DFU remission and the acceptability from the patient perspective. This has resulted in limited uptake of this novel intervention in clinical practice. Earlier, we proposed that activity can be dosed for people in foot ulcer remission, just like insulin or medication is dosed. Here, we describe a patient-centered approach to implementing home foot temperature monitoring coupled with daily foot checks and dosage-based return to physical activity in a patient in DFU remission, including his perspective. We believe using such an approach could maximize ulcer-free days in remission, thereby improving quality of life.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».