552-P: Barriers and Enablers to Diabetic Ketoacidosis (DKA) Prevention in Adults with Type 1 Diabetes—An Implementation Science Study
Notice bibliographique
Résumé
Introduction & Objective: DKA prevention depends strongly on patient knowledge and self-management skills, but educational tools are inconsistent and complex. To co-create a new tool with people living with T1D, we first aimed to determine key barriers and enablers to DKA prevention through identification of the perspectives of people living with T1D, their caregivers, and healthcare providers. Methods: We conducted a qualitative study involving three independent focus groups. The focus group design and analysis were informed by the Action, Actor, Context, Target, and Time Framework (AACTT) to carefully define the key targeted behaviours for change and the Theoretical Domains Framework (TDF) to understand their determinants. The targeted behaviours related to testing ketone levels, acting upon ketone testing results, and seeking emergency medical care. Deductive coding and thematic analysis were used to categorize and describe barriers and enablers for each targeted behaviour. Results: A total of 9 people living with T1D, 1 caregiver, and 12 healthcare providers participated in our focus groups. Five key themes relating to six TDF domains emerged that influenced one’s ability to engage in the targeted behaviours. Key barriers included: 1) a fundamental lack of understanding of the clinical relevance of ketones and DKA (knowledge, beliefs about consequences); 2) negative experiences with the healthcare system and lack of access to supplies (environmental context and resources); 3) inability to retain ketone knowledge among numerous self-management burdens (memory). Key enablers included: 1) reminders from physicians and/or technology (reinforcement); 2) community supports and accessible resources (social influences). Conclusion: These key barriers and enablers to DKA prevention will inform the development of an educational tool co-created with people living with T1D designed to more effectively prevent DKA than do existing resources. Disclosure N. Verhoeff: None. W. Cheema: None. S. Mojdehi: None. H.Y. Gad: Consultant; Procter & Gamble. D. Mumford: None. A. Orszag: None. N. Ivers: Speaker's Bureau; Novo Nordisk. Consultant; Merck & Co., Inc. D.R. Budhram: None. A.M.K. Bakhsh: None. M.I. Abuabat: None. A. Weisman: None. B.A. Perkins: Advisory Panel; Abbott. Other Relationship; Novo Nordisk. Advisory Panel; Insulet Corporation, Nephris. Other Relationship; Medtronic. Advisory Panel; Sanofi, Vertex Pharmaceuticals Incorporated, Dexcom, Inc. Funding Diabetes Canada (Operating Grant OG-3-21-5572-BP)
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 | 0,025 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».