An mHealth Text Messaging Program Providing Symptom Detection Training and Psychoeducation to Improve Hypoglycemia Self-Management: Intervention Development Study
Notice bibliographique
Résumé
BACKGROUND: Hypoglycemia remains a challenge for roughly 25% of people with type 1 diabetes (T1D) despite using advanced technologies such as continuous glucose monitors (CGMs) or automated insulin delivery systems. Factors impacting hypoglycemia self-management behaviors (including reduced ability to detect hypoglycemia symptoms and unhelpful hypoglycemia beliefs) can lead to hypoglycemia development in people with T1D who use advanced diabetes technology. OBJECTIVE: This study aims to develop a scalable, personalized mobile health (mHealth) behavioral intervention program to improve hypoglycemia self-management and ultimately reduce hypoglycemia in people with T1D who use advanced diabetes technology. METHODS: We (a multidisciplinary team, including clinical and health psychologists, diabetes care and education specialists, endocrinologists, mHealth interventionists and computer engineers, qualitative researchers, and patient partners) jointly developed an mHealth text messaging hypoglycemia behavioral intervention program based on user-centered design principles. The following five iterative steps were taken: (1) conceptualization of hypoglycemia self-management processes and relevant interventions; (2) identification of text message themes and message content development; (3) message revision; (4) patient partner assessments for message readability, language acceptability, and trustworthiness; and (5) message finalization and integration with a CGM data-connected mHealth SMS text message delivery platform. An mHealth web-based SMS text message delivery platform that communicates with a CGM glucose information-sharing platform was also developed. RESULTS: The mHealth SMS text messaging hypoglycemia behavioral intervention program HypoPals, directed by patients' own CGM data, delivers personalized intervention messages to (1) improve hypoglycemia symptom detection and (2) elicit self-reflection, provide fact-based education, and suggest practical health behaviors to address unhelpful hypoglycemia beliefs and promote hypoglycemia self-management. The program is designed to message patients up to 4 times per day over a 10-week period. CONCLUSIONS: A rigorous conceptual framework, a multidisciplinary team (including patient partners), and behavior change techniques were incorporated to create a scalable, personalized mHealth SMS text messaging behavioral intervention. This program was systematically developed to improve hypoglycemia self-management in advanced diabetes technology users with T1D. A clinical trial is needed to evaluate the program's efficacy for future clinical implementation.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».