Predictors of adherence to insulin therapy in type 2 diabetes mellitus: an application of the theory of planned behavior
Notice bibliographique
Résumé
Background: Non-adherence to medication therapy in type 2 diabetes mellitus (DM2) is prevalent. Theoretical models have been used to identify the proximal determinants of behavior. Aim: To identify the direct psychosocial predictors of adherence to insulin therapy based on Theory of Planned Behavior (TPB), among outpatients with DM2. Methods: = 70), measurements of insulin adherence and A1C were again measured. Multiple linear regression, via generalized linear models and Multiple Poisson regression, with robust variance analysis were used, for quantitative and categorical outcomes, respectively. Results: One point in the Intention score led to a mean increase of 12.5% in the proportion of insulin doses, and there was a mean increase of 25% in the probability of the person taking insulin every day or practically every day. Attitude was a predictor of Intention. The moderation analysis demonstrated that higher levels of Perceived Behavioral Control weakened the effect of Attitude on Intention. Conclusions: The results showed that Intention was predictor of behavioral measure of adherence and the proportion of insulin doses. Attitude was predictor of Intention and Perceived Behavioral Control moderated the effect of Attitude and Subjective Norm on Intention. These findings highlight the importance of developing interventions that prioritize motivational strategies to enhance insulin adherence in the clinical practice. However, future studies with larger sample sizes and the inclusion of belief assessments are recommended to optimize the understanding of the psychosocial determinants of insulin adherence among outpatients with DM2.
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 | 0,001 |
| 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 ».