Patients needs for information and knowledge in type 2 diabetes : An explorative study about the needs for information and knowledge based on gender, HbA1c, age, education and duration
Bibliographic record
Abstract
Bakgrund Diabetes typ 2 är en av de snabbast växande sjukdomarna i både Sverige och resten av världen. Vid diabetes typ 2 utgör egenvård en betydande del av behandlingen och för att klara detta behövs kunskap om sjukdomen. I sjuksköterskeyrket ingår att förse patienter med information och kunskap, bland annat genom patientundervisning. Ett flertal studier beskriver hur information och kunskap uppfattas av patienter och hur det på bästa sätt förmedlas till dem. Däremot saknas ett instrument som mäter patienternas befintliga kunskap om sjukdomen och hur de värderar information. Syfte Syftet med arbetet är att undersöka hur informations- och kunskapsbehovet vid diabetes typ 2 varierar utifrån kön, HbA1c, ålder, utbildning och duration samt identifiera de frågor där informations- och kunskapsbehovet är störst respektive lägst. Metod Arbetet grundas på en kvantitativ enkät utformad efter The Toronto Informational Needs Questionnaire-Breast Cancer och är analyserat utifrån data från 86 patienter. Frågor ur denna enkät har behandlats i dataprogrammet Statistical Package for the Social Sciences och presenteras som deskriptiv statistik. Den teoretiska utgångspunkten för arbetet är Lazarus och Folkmans teori. Resultat Det finns ett behov av såväl mer information som kunskap hos alla de grupper som undersökts. Skillnader dem emellan kunde urskiljas. De grupper som rankat informations- och kunskapsbehovet högst är kvinnor och personer som haft diabetes typ 2 i mer än 11 år. Män rankar vikten av information lägre och anser sig i större utsträckning ha den kunskap de behöver. Frågor där information av patienterna anses vara mycket viktigt rör medicinska frågor. Kunskap kring hur sociala frågor ska hanteras värderades lägst. Diskussion Informationssökning är ett sätt att hantera den situation som uppstår när en människa drabbas av sjukdom. Hur varierar behovet mellan olika demografiska variabler som kön, ålder, utbildning, HbA1c, och duration? Hur värderar patienterna sin kunskap? Inom vilka områden finns informationsbehov och kunskapsluckor?
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".