Inovativní přístupy v péči o diabetes

Objektivní:

Cílem této studie je vyhodnotit účinnost intervencí eHealth v péči o pacienty s diabetem.

Návrh studie:

Dospělí účastníci s diabetem budou přijati z Diabetes Shared Care Network a Community Centers pro 12měsíční intervenční studii.

Kritéria způsobilosti:

Účastníci musí být ve věku 20 let a starší, diagnostikováni prediabetes nebo diabetes, tchajwanské národnosti nebo plynule v mandarínské nebo tchajwanské, nikoli těhotné nebo kojení a schopni (nebo pomáhají pečovatelem) používání smartphonu k fotografování a zaznamenávání jídel. Jednotlivci s diagnostikovanými poruchami příjmu potravy budou vyloučeni.

Intervenční zbraně

• Skupina EHealth: Účastníci obdrží 10 minut velikosti porcí a výživy výživy pomocí laboratoře „Metafood: 3D/AR Digital Food Education Platform“ (https://sketchfab.com/susanlab108/colletions). Jsou povinni předložit dietní rekord založený na potravinách jednou týdně pomocí laboratorního „Formosa Foodapp“ (1). Vyškolení odborníci na výživu posoudí dietní obrazy pomocí laboratorního „digitálního fotografického atlasu“ a poskytne zpětnou vazbu v reálném čase prostřednictvím liniové sociální skupiny.

Skupina EHealth Group navíc obdrží vzdělávací materiály včetně videí a digitálních letáků na:

1. Jak používat Formosa Foodapp
2. Úvod do Myplate: Klasifikace potravin a velikosti porcí
3. Dopad potravy na glukózu v krvi: Porozumění glykemickému indexu (GI) a glykemické zátěž (GL)
4. Hodnoty GI/GL běžně konzumovaných tchajwanských potravin
5. Interpretace zpráv o krevních testech
6. Při výběru jídla při jídle
7. Základy cvičení
8. Jíst během festivalů

Od 5. měsíce bude personalizovaná dietní zpětná vazba o hodnotách GI/GL spotřebovaných jídel poskytována laboratorními systémy AI, která bude pokračovat až do konce studie. Systémy AI pro rozpoznávání potravin a skupinu linek jsou spravovány zaměstnanci laboratoře.

Biologická opatření:

Profily glukózy a lipidů nalačno budou během návštěv kliniky shromažďovány každé tři měsíce.

Zdůvodnění velikosti vzorku:

Pomocí G*Power 3.1.9.7 je primárním koncovým bodem účinek dietní zpětné vazby podporované AI na kontrolu glykémie u středního věku a starších dospělých s diabetem 2. typu. Na základě studie Lee et al. O kombinaci nutriční aplikace podporované člověkem a AI je odhadovaný průměrný rozdíl HbA1c 0,52% (7,52 ± 0,81 vs. 7,00 ± 0,66) po 12 měsících. Za předpokladu velikosti účinku 0,70, 80% výkonu a 5% významnosti je zapotřebí 33 účastníků na skupinu. Zúčtování o míru opotřebení 10–20% bude přijato celkový vzorek 36-40 účastníků.

Sběr dat:

Základní sociodemografické a antropometrické údaje budou shromažďovány státem registrovanými dietology. Standardní výsledky biochemických testů, které jsou k dispozici z národního zdravotního pojištění Tchaj -wanu, budou shromažďovány každé tři měsíce. Znalosti o výživě a vnímání a použití digitálních potravinových technologií budou hodnoceny prostřednictvím online dotazníku vyvinutého z teoretického rámce, přezkumu literatury a ověřené odborníky. Týdenní dietní záznamy budou zaznamenány prostřednictvím Formosa Foodapp (1).

Data budou zahrnovat:

• Demografie: Věk, sex, úroveň vzdělání, historie nemocí
• Týdenní dietní záznamy
• Antropometrie: Výška, hmotnost, BMI, obvod pasu, síla přilnavosti, svalová síla
• Biochemická data: Glukóza nalačno, profily lipidů, ukazatele renálních funkcí (testy založené na klinice, pojišťovací testy)

Statistická analýza:

Data budou analyzována pomocí GraphPad Prism 5 (La Jolla, CA, USA).

• Normalita: Kolmogorov-Smirnov test
• Kontinuální proměnné: průměr ± 95% CI; analyzováno prostřednictvím t-testů nebo ANOVA
• Kategorické proměnné: frekvence/procenta; Analyzováno prostřednictvím chi-kvadrát nebo Fisherova přesného testu
• Korelace: Spearmanův koeficient; Logistická lineární regrese
• Neparametrické srovnání: Kruskal-Wallis test
• Dlouhodobá analýza: Generalizovaný lineární smíšený model (GLMM) pro glykemické změny a rizika komorbidity
• Prahová hodnota významnosti: P <0,05