Innovative tilgange til diabetesbehandling

Objektiv:

Denne undersøgelse sigter mod at evaluere effektiviteten af e -sundhedsinterventioner i pleje af patienter med diabetes.

Undersøgelsesdesign:

Voksne deltagere med diabetes rekrutteres fra Diabetes Shared Care Network og Community Centers til en 12-måneders interventionsundersøgelse.

Kriterier for støtteberettigelse:

Deltagerne skal være i alderen 20 år eller ældre, diagnosticeret med prediabetes eller diabetes, af taiwanesisk nationalitet eller flydende mandarin eller taiwanesisk, ikke gravid eller amning og i stand (eller assisteret af en plejeperson) til at bruge en smartphone til at fotografere og optage måltider. Personer med diagnosticerede spiseforstyrrelser vil blive udelukket.

Interventionsarme

• E-sundhedsgruppe: Deltagerne modtager 10 minutters delstørrelse og ernæringsuddannelse ved hjælp af den labudviklede "Metafood: 3D/AR Digital Food Education Platform" (https://sketchfab.com/susanlab108/collections). De er forpligtet til at indsende en fødevarebilledbaseret diætrekord en gang om ugen ved hjælp af den lab-udviklede "Formosa FoodApp" (1). Uddannede ernæringseksperter vil vurdere diætbillederne ved hjælp af en labudviklet "digital fotografisk madatlas" og give realtidsdiæt feedback via en linje social gruppe.

Derudover modtager e -sundhedsgruppen uddannelsesmateriale, herunder videoer og digitale foldere på:

1. Sådan bruges Formosa FoodApp
2. Introduktion til MyPlate: Fødevareklassificering og portionsstørrelser
3. Virkningen af mad på blodsukker: Forståelse af glykæmisk indeks (GI) og glykæmisk belastning (GL)
4. GI/GL -værdier af almindeligt konsumerede taiwanesiske fødevarer
5. Fortolkning af blodprøvrapporter
6. At tage madvalg, når du spiser ude
7. Grundlæggende om træning
8. Spise under festivaler

Fra den 5. måned og fremover vil personaliserede diæt feedback om GI/GL-værdierne for forbrugte måltider blive leveret af LAB-udviklede AI-systemer, der fortsætter indtil studiets afslutning. AI -systemer til madgenkendelse og linjegruppen administreres af laboratoriepersonale.

Biologiske foranstaltninger:

Fastende blodglukose og lipidprofiler indsamles hver tredje måned under klinikbesøg.

Prøvestørrelse Begrundelse:

Ved hjælp af G*Power 3.1.9.7 er det primære slutpunkt effekten af AI-understøttet diæt feedback på glykæmisk kontrol hos middelaldrende og ældre voksne med type 2-diabetes. Baseret på Lee et al .'s undersøgelse af kombinationen af human og AI-understøttet ernæringsapp, er den estimerede gennemsnitlige HBA1C-forskel 0,52% (7,52 ± 0,81 mod 7,00 ± 0,66) efter 12 måneder. Hvis man antager en effektstørrelse på 0,70, 80% effekt og 5% betydning, er der behov for 33 deltagere pr. Gruppe. Regnskab for en 10-20% slidfrekvens, vil en samlet prøve på 36-40 deltagere blive rekrutteret.

Dataindsamling:

Baseline sociodemografiske og antropometriske data indsamles af statsregistrerede diætister. Standard biokemiske testresultater, der er tilgængelige fra Taiwans nationale sundhedsforsikring, indsamles hver tredje måned. Ernæringsviden og opfattelser og anvendelse af digitale fødevareteknologier vil blive vurderet via et online spørgeskema udviklet fra de teoretiske rammer, litteraturanmeldelse og valideret af eksperter. Ugentlige diætregistre logges via Formosa FoodApp (1).

Data inkluderer:

• Demografi: Alder, sex, uddannelsesniveau, sygdomshistorie
• Ugentlige diætregistre
• Antropometri: højde, vægt, BMI, taljeomkrets, grebstyrke, muskelstyrke
• Biokemiske data: Fastende glukose, lipidprofiler, nyrefunktionsindikatorer (klinikbaserede, forsikringsdækkede test)

Statistisk analyse:

Data analyseres ved hjælp af GraphPad Prism 5 (La Jolla, CA, USA).

• Normalitet: Kolmogorov-Smirnov-test
• Kontinuerlige variabler: gennemsnit ± 95% CI; analyseret via t-tests eller ANOVA
• Kategoriske variabler: frekvenser/procenter; analyseret via chi-square eller Fishers nøjagtige test
• Korrelationer: Spearmans koefficient; Logistisk lineær regression
• Ikke-parametriske sammenligninger: Kruskal-Wallis-test
• Langsgående analyse: Generaliseret lineær blandet model (GLMM) til glykæmiske ændringer og komorbiditetsrisici
• Betydningsgrænse: P <0,05