MétaCan
Menu
Retour à la cohorte
Enregistrement W7117683953 · doi:10.2196/73446

Continuous Glucose Monitors Among Adults With Type 2 Diabetes Mellitus in the Primary Care Setting: Qualitative Study Informed by Technology Acceptance Model and Health Belief Model

2025· article· en· W7117683953 sur OpenAlexvenueno aff
Michelle Knopp, Ann Marie Castleman, Anna Schwarz, Jamarin Belger-Wallace, Mercedes Falciglia, Aleona C Zuzek, Eneida Mendonca

Notice bibliographique

RevueJMIR Diabetes · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesCollege of Medicine, University of CincinnatiUniversity of CincinnatiCincinnati Children's Hospital Medical Center
Mots-clésPrimary careType 2 Diabetes MellitusQualitative researchContinuous glucose monitoringType 2 diabetesPrimary health careQualitative propertyScalabilityTechnology acceptance model

Résumé

récupéré en direct d'OpenAlex

Background: Continuous glucose monitors (CGM) reduce the burden of glycemic monitoring and improve glycemic control, quality of life, and decreased health care use. Despite expanded insurance coverage and adoption, barriers remain, especially in primary care. Existing research largely evaluates specific populations or interventions, leaving limited insight into the broader primary care experience. Objective: This study aims to examine the experiences of adults with type 2 diabetes mellitus (T2DM) using CGM in primary care, guided by the Health Belief Model and Technology Acceptance Model. Methods: This qualitative study included in-person semistructured sessions (interviews or a focus group), surveys, and electronic health record data. Participants were recruited from 3 urban primary care (internal medicine and internal medicine-pediatrics) clinics affiliated with a large academic health system in Southwest Ohio, United States, with high rates of public insurance (Medicare or Medicaid). Eligible participants were adults (≥18 y) with T2DM and a CGM prescription. Data were analyzed using theme generation guided by directed content analysis in MAXQDA (VERBI Software GmbH) with codes derived from Health Belief Model and Technology Acceptance Model constructs. Survey data were used to triangulate to enhance validity. Results: Overall, 16 participants (interviews: n=12; 1 focus group: n=4) were recruited for the study with a mean age of 56.9 (SD 10.5) years. In total, 69% (11/16) identified as Black, 100% (16/16) as Non-Hispanic, and 69% (11/16) as female, and 94% (15/16) used public insurance. Six themes emerged: disease susceptibility, disease severity, influential drivers, perceived ease of use, perceived usefulness, and attitude toward using CGM. All participants found CGM helpful and would recommend it to others. While affirming numerous barriers well-described in other populations, this study uniquely describes the burden of comorbidities, the trust in CGM data compared to glucometer-based monitoring, and the reliance on receivers to use CGM technology in this patient population. Conclusions: CGM is valued by adults with T2DM in primary care, yet barriers remain. Tailored support for initiation, troubleshooting, and education (especially alarm management and data interpretation) is needed. These insights can inform scalable strategies to enhance CGM use and experience in primary care.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,506
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,018
Tête enseignante GPT0,398
Écart entre enseignants0,380 · 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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR DiabetesMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207