Beyond Hemoglobin A1c—Outcomes That Matter to Individuals With Type 1 Diabetes in Adopting Digital Health Interventions for Self-Management Support: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Type 1 diabetes is a demanding chronic condition that requires diligent blood glucose monitoring and timely insulin administration by patients who must integrate self-management into their daily lives. OBJECTIVE: This study aimed to better understand what outcome measures are important to individuals living with type 1 diabetes (T1D) in Ontario, Canada, to help inform the development of type 1 diabetes virtual self-management Education and support (T1ME) trial. METHODS: A qualitative approach was used, in which we conducted 6 focus groups with a total of 24 adult participants living with T1D (from age 18 to >65 years) in Ontario. Each focus group was semistructured in nature; participants were encouraged to talk openly about their experiences with T1D self-management and provide their perspectives on more focused topics such as technology and relationships with health care providers. RESULTS: An interpretive analysis helped us devise a framework for our results that centered around 6 main discussion themes: (1) adapting self-management to meet evolving needs, (2) looking "beyond A1c" toward more personalized indicators of glycemic management, (3) the benefits and challenges of adopting new T1D technology, (4) establishing trusting relationships with diabetes care providers, (5) perceived benefits of peer support, and (6) pre- and post-COVID-19 perspectives on virtual care. CONCLUSIONS: Our goal is for these findings to help facilitate the development of patient-oriented outcome measures that are in line with the unique needs and preferences of T1D patients in this new, more virtual landscape of clinical care, education, and self-management support.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».