Vývoj a testování proveditelnosti intervence DM-BOOST. (DM-BOOST)

Aktivní komparátor: Obvyklá péče

Účastníci srovnávací skupiny vyplní základní průzkum, obdrží od výzkumného týmu žádost o doporučení DSMT svému poskytovateli primární péče a zaslaný uvítací dopis. Odeslaný dopis uvítá účastníka studie a bude obsahovat obecné informace o chování při péči o diabetes a stanovení cílů. Dokončí relaci DSMT. Poté absolvují 3měsíční následný průzkum a kvalitativní rozhovor.

Behaviorální: Obvyklá péče

Účastníkům se dostane obvyklé péče o DSMT.

Experimentální: Intervence - Diabetes BOOST

Účastníci intervenční skupiny dokončí základní průzkum, obdrží doporučení k DSMT od výzkumného týmu, uvítací dopis a edukaci o sebeobsluze zaslanou prostřednictvím řady personalizovaných zabezpečených zpráv, textových zpráv a videohovorů na portálu pro pacienty. Budou jim zaslány textové zprávy s informacemi o jednom ze sebeobslužných chování Americké asociace učitelů diabetu 7 a budou povzbuzeni k tomu, aby si vytvořili vlastní cíle v oblasti sebeřízení. Účastníci také absolvují videohovor telehealth školení s výzkumným personálem a zkontrolují cíle, na které účastník odpověděl. Účastník pak bude vyzván, aby před plánovanou relací DSMT odeslal na svůj DSMT CDCES zprávu z portálu pacienta, která bude obsahovat jejich personalizované cíle. Poté absolvují 3měsíční následný průzkum a kvalitativní rozhovor.

Behaviorální: Diabetes BOOST

Účastníkům bude kromě běžné péče poskytnuta podpůrná péče využívající technologie pro DSMT.

Přijatelnost intervence (cíl 2)

Pacientem hlášené hodnocení přijatelnosti intervence prostřednictvím testování použitelnosti. Sběr kvalitativních dat založený na modelu přijetí technologie s posouzením vnímané užitečnosti, snadnosti použití, záměru chování k použití a externích faktorů. Nebyla naměřena žádná kvantitativní data.

Dokončení tréninku sebeovládání diabetu (Cíl 3)

Absolvování nácviku sebeovládání diabetu.

Klinické využití (Cíl 3)

Míra klinického využití měřená počtem návštěv na účastníka u návštěv primární, speciální péče a pohotovostní/nemocniční péče měřených 6 měsíců po následné návštěvě.

Vlastní účinnost při cukrovce (Cíl 3)

Vlastní účinnost diabetu bude měřena na začátku a 3 měsíce po zařazení do studie pomocí škály vlastní účinnosti řízení diabetu. Účastníci poskytnou zpětnou vazbu na sadu otázek pomocí 5bodové Likertovy škály (s 1=silně nesouhlasím, 2=částečně nesouhlasím, 3=neutrální, 4=částečně souhlasím, 5= zcela souhlasím)

Spokojenost s léčbou diabetu (Cíl 3)

Spokojenost s léčbou diabetu bude měřena 3 měsíce po zařazení do studie pomocí nástroje Změna dotazníku spokojenosti s léčbou diabetu. Účastníci budou požádáni, aby se podělili o to, jak se jejich zkušenost se současnou léčbou změnila od jejich zkušeností s léčbou před zahájením studie. Na každou otázku odpoví výběrem 3 pro nyní mnohem více spokojeni až -3 pro mnohem méně spokojeni nyní. (3,2,1,0,-1,-2,-3)

Dovednosti pro sebeovládání diabetu (Cíl 3)

Dovednosti sebeovládání budou měřeny 3 měsíce po zápisu do studie. Účastník bude dotázán na otázky týkající se jeho aktivit v oblasti sebeobsluhy diabetiků za posledních sedm dní pomocí opatření Souhrn aktivit sebeobsluhy diabetu

Zapojení pacientů do školení sebezvládání diabetu (Cíl 3)

Údaje o zapojení budou shromažďovány výzkumnými pracovníky. Bude měřena počtem pacientů, kteří požádají o kontakt, jsou zastiženi, zapsáni do studie a plánovanou schůzkou DSMT.

Hemoglobin A1C (HbA1C) (Cíl 3)

Měření hodnot HbA1c k určení dopadu intervence. Hodnoty HbA1c při vstupní návštěvě budou porovnány s hodnotami 3–6 měsíců po zařazení účastníka do studie. Tyto údaje budou získány prostřednictvím přezkoumání diagramu EHR.

Prediktory péče o diabetes v souladu s doporučeními (sociodemografické prediktory) (Cíl 1)

Bude identifikována retrospektivní analýza dat EHR s cílem identifikovat shluky sociodemografických prediktorů péče o diabetes, které jsou v souladu s doporučenými postupy. Retrospektivní data budou požadována z UMMS Data Lake prostřednictvím Data Science Core. Údaje požadované pro dospělé pacienty s T2D od zavedení Epic EHR v říjnu 2017 budou zahrnovat:

• Sociodemografické charakteristiky (pohlaví, datum narození, rasa/etnická příslušnost, PSČ, jazyk, rodinný stav, typ pojištění)

Prediktory léčby diabetu v souladu s doporučeními (hladina HbA1c) (Cíl 1)

Bude identifikována retrospektivní analýza dat EHR k identifikaci shluků klinických prediktorů péče o diabetes, které jsou v souladu s doporučenými postupy. Retrospektivní data budou požadována z UMMS Data Lake prostřednictvím Data Science Core. Údaje požadované pro dospělé pacienty s T2D od zavedení Epic EHR v říjnu 2017 budou zahrnovat:

• Klinické charakteristiky měřené hladinou HbA1c

Prediktory péče o diabetes v souladu s doporučeními (BMI) (Cíl 1)

Bude identifikována retrospektivní analýza dat EHR k identifikaci shluků klinických prediktorů péče o diabetes, které jsou v souladu s doporučenými postupy. Retrospektivní data budou požadována z UMMS Data Lake prostřednictvím Data Science Core. Údaje požadované pro dospělé pacienty s T2D od zavedení Epic EHR v říjnu 2017 budou zahrnovat:

• Klinické charakteristiky měřené úrovní BMI. Hmotnost a výška budou spojeny, aby bylo možné uvést BMI v kg/m^2

Prediktory péče o diabetes v souladu s doporučeními (Stav kuřáků) (Cíl 1)

Bude identifikována retrospektivní analýza dat EHR k identifikaci shluků klinických prediktorů péče o diabetes, které jsou v souladu s doporučenými postupy. Retrospektivní data budou požadována z UMMS Data Lake prostřednictvím Data Science Core. Údaje požadované pro dospělé pacienty s T2D od zavedení Epic EHR v říjnu 2017 budou zahrnovat:

• Klinické charakteristiky měřené podle kuřáckého stavu

Prediktory péče o diabetes v souladu s doporučeními (hladina cholesterolu) (Cíl 1)

Bude identifikována retrospektivní analýza dat EHR k identifikaci shluků klinických prediktorů péče o diabetes, které jsou v souladu s doporučenými postupy. Retrospektivní data budou požadována z UMMS Data Lake prostřednictvím Data Science Core. Údaje požadované pro dospělé pacienty s T2D od zavedení Epic EHR v říjnu 2017 budou zahrnovat:

• Klinické charakteristiky měřené hladinou cholesterolu

Prediktory péče o diabetes v souladu s doporučenými postupy (klinické využití) (Cíl 1)

Bude identifikována retrospektivní analýza dat EHR k identifikaci shluků klinických prediktorů péče o diabetes, které jsou v souladu s doporučenými postupy. Retrospektivní data budou požadována z UMMS Data Lake prostřednictvím Data Science Core. Údaje požadované pro dospělé pacienty s T2D budou zahrnovat:

• Klinické využití měřené počtem návštěv na účastníka v primární péči, speciálních návštěvách, pohotovosti, hospitalizacích, vzdělávání/školení, používání portálu pro pacienty, zapojení managementu péče od uvedení Epic EHR v říjnu 2017