Analyse des besoins et co-conception d’une plateforme de télénutrition pour la gestion et le suivi du diabète de type 2 en soins primaires
Bibliographic record
Abstract
La gestion efficace du diabète de type 2 en soins de première ligne représente un défi important en raison de la complexité des soins nécessaires et de la diversité des besoins des patients. Dans ce contexte, l'intégration des technologies numériques apparaît comme une solution prometteuse pour améliorer la gestion et le suivi de cette maladie chronique. Cette thèse vise à enrichir la compréhension de ces technologies, avec un accent particulier sur les interventions de télénutrition, afin de soutenir l'autogestion des patients et faciliter l'accompagnement par les professionnels de santé. Pour ce faire, la thèse s'articule autour de trois objectifs principaux : (1) Identifier les interventions complexes de télésanté ayant été évaluées auprès des personnes vivant avec le diabète et dont la combinaison présente des effets positifs pour leur santé ; (2) Documenter l'acceptabilité et l'utilisabilité des fonctionnalités d'interventions de télésanté ayant été évaluées dans la littérature scientifique ; (3) Co-construire en collaboration avec les nutritionnistes un prototype de la plateforme de télénutrition. La première partie de la thèse se concentre sur l'identification des caractéristiques clés des outils numériques utilisés dans les interventions de télésanté pour le diabète de type 2, à travers deux revues de portée. Le premier article cartographie les fonctionnalités de télésanté utilisées pour gérer le diabète, en identifiant les interventions qui ont montré des effets positifs sur la santé des patients. Cette cartographie a permis de classer les fonctionnalités numériques des plateformes de télénutrition actuelles, offrant une base pour développer des interventions adaptées. Le deuxième article a approfondi cette démarche en mettant en lumière l'importance des stratégies de changement de comportement et de l'approche centrée sur l'utilisateur, impliquant à la fois les patients et professionnels de santé tout au long du processus de développement de ces technologies. Les résultats ont révélé l'importance d'une surveillance continue et personnalisée des paramètres de santé, ainsi que la nécessité d'un support professionnel régulier pour optimiser l'adhésion des patients aux recommandations thérapeutiques. La deuxième partie de la thèse aborde la co-conception du prototype de plateforme de télénutrition. Le troisième article présente les résultats des entretiens menés avec des nutritionnistes exerçant en soins primaires. L’étude a permis de mieux comprendre les défis spécifiques de ces professionnels de santé et leurs besoins, afin de favoriser le développement d’une plateforme de télénutrition plus efficace et bien acceptée dans le contexte de soin québécois. Enfin, le quatrième article entre prend une phase de co-conception avec des nutritionnistes, aboutissant à une première version du prototype de la plateforme de télénutrition, en utilisant la technique du groupe nominal pour hiérarchiser les fonctionnalités à intégrer dans la plateforme. Cette approche ouvre la voie à des améliorations futures, et soutient une conception agile, centrée sur l'utilisateur. Les défis rencontrés lors de la co-conception, exacerbés par les contraintes de la pandémie de COVID-19, ont permis de formuler des recommandations pour les recherches futures. Ces recommandations soulignent la nécessité de tester empiriquement les prototypes dans des contextes réels afin de valider leur efficacité et leur acceptabilité. En conclusion, cette thèse apporte une contribution significative à la compréhension des besoins en matière de télénutrition pour la gestion du diabète de type 2 en soins de primaire. Elle propose des pistes concrètes pour améliorer la conception et l’implantation de ces technologies, tout en mettant en lumière l'importance de l'innovation et de la conception centrée sur l'utilisateur dans le développement de nouvelles solutions en santé. Les résultats obtenus ouvrent la voie à de nouvelles recherches, notamment sur les thérapies numériques, qui devront mettre l'accent sur leur intégration harmonieuse dans les systèmes de santé existants et en abordant les implications organisationnelles, juridiques, économiques et politiques de ces technologies.
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 | 0.005 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".