The need for TIDieR research translation: assessing the reporting and implementation of diabetes prevention programs through a scoping review.
Notice bibliographique
Résumé
Over 400 million people worldwide have diabetes, with 90% of cases being type 2 diabetes (T2D). T2D is a chronic disease that increases the risk of heart attack, stroke, blindness, and death. Diabetes prevention programs (DPPs) have been found to be an effective method of reducing incidence of T2D. To effectively translate DPPs into communities, clear and thorough reporting of intervention characteristics is needed. This scoping review aimed to synthesize the reporting and implementation of DPPs. PRISMA guidelines for conducting scoping reviews were followed, and Medline, CINAHL, PsycINFO, EMBASE and SPORTDiscus were searched for studies related to T2D prevention and DPP interventions. Articles that reported a diet and/or exercise intervention being delivered to adults “at risk” for T2D were included in the review. 25,110 articles were screened, of which 351 met inclusion criteria. The Template for Intervention Description and Replication (TIDieR) checklist was used to score DPPs on thoroughness of reporting. DPPs were scored in 13 different categories on a scale from 0 (did not report) to 2 (thoroughly reported) with a total out of 26. Mean TIDieR score for DPPs was 15.7, ranging between 7 and 25. As rates of T2D increase, there is a need for implementation of effective DPPs into communities. On average, DPPs only report on 60% of TIDieR domains, which can make translation and implementation of evidence-based DPPs into new communities difficult. More thorough reporting of DPP intervention characteristics is needed to improve the implementation of DPPs from research into clinical and community practice.
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 | 0,006 | 0,001 |
| 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 ».