MétaCan
Menu
Retour à la cohorte
Enregistrement W4415354408 · doi:10.2196/73485

Revolutionizing Hypoglycemia Management in Long-Term Care: Lessons Learned From a Pilot Quality Improvement Initiative Using Continuous Glucose Monitoring

2025· article· en· W4415354408 sur OpenAlexaffvenue
Denis O’Donnell, Lisa Quesnelle, Benjamin Yuen

Notice bibliographique

RevueJMIR Diabetes · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Management and Research
Établissements canadiensExtendicare (Canada)Integrity Testing Laboratory (Canada)St Joseph's Health CareCARE Canada
Organismes subventionnairesnon disponible
Mots-clésFingerstickHypoglycemiaWorkloadContinuous glucose monitoringQuality managementGlycemicBlood Glucose Self-MonitoringBlood glucose monitoringDiabetes management

Résumé

récupéré en direct d'OpenAlex

Unlabelled: Despite efforts to raise glycemic targets and reduce modifiable risk factors, hypoglycemia continues to impact a large number of long-term care (LTC) residents living with diabetes mellitus and remains one of the leading causes of hospitalization in this cohort. Effective, sustainable practice strategies to monitor and maintain glycemic control in LTC are lacking. We describe the stepwise approach used by 2 LTC homes that switched from traditional fingerstick testing to a continuous glucose monitoring (CGM) system as part of a quality improvement initiative to reduce nursing workload and address hypoglycemia. This was an exploratory pilot project. A working group was established at each of the 2 participating LTC homes, including representatives from management and direct care staff. Kickoff meetings were held with key direct care staff to discuss the limitations of current monitoring practices and potential solutions. The following interventions were agreed upon and implemented by the working groups: (1) the initiation of structured glucose monitoring for residents using CGM (FreeStyle Libre 2), requiring scanning of sensors 4 times per day; (2) provision of staff education and training on CGM by a diabetes expert; and (3) scheduling of interdisciplinary rounds as needed to optimize diabetes management. System changes were gradually introduced in a stepwise manner over a 3-month period (intervention phase), during which the LTC homes progressed from traditional fingerstick testing to point-of-care sensor readings and then to full use of the CGM software platform. Hypoglycemia was defined as a glucose reading of ≤4 mmol/L. Glucose readings were collected from 38 residents living with diabetes mellitus and receiving insulin in the 6 months before the start of the intervention phase (baseline evaluation) and in the 6 months after the end of the intervention phase (post-launch evaluation). All hypoglycemic readings detected by a sensor at a point-of-care test were validated using a fingerstick test. Nursing workload associated with glucose testing was assessed in an anonymous survey of nursing staff at baseline and after the launch. The approach resulted in a 40% reduction in nursing time required to complete a glucose reading (from 5.1 min per test at baseline to 3.1 min per test at the post-launch evaluation). The frequency of glucose monitoring increased from a total of 19,438 glucose readings in the baseline evaluation to 35,971 point-of-care sensor scans in the post-launch evaluation. The number of detected hypoglycemic events increased 12-fold, from 88 in the baseline evaluation to 1049 in the post-launch evaluation. Hypoglycemic events continue to impact a large number of LTC residents living with diabetes mellitus. CGM can improve the detection of hypoglycemic events while decreasing nursing workload. A gradual transition to CGM can help overcome underlying barriers and concerns and ensure a sustainable approach.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,288
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,096
Tête enseignante GPT0,400
Écart entre enseignants0,304 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJMIR DiabetesMême sujetDiabetes Management and ResearchTravaux en français237 207