Enfoques innovadores en el cuidado de la diabetes

Objetivo:

Este estudio tiene como objetivo evaluar la efectividad de las intervenciones de eHealth en el cuidado de pacientes con diabetes.

Diseño del estudio:

Los participantes adultos con diabetes serán reclutados de la red de atención compartida de diabetes y los centros comunitarios para un estudio de intervención de 12 meses.

Criterios de elegibilidad:

Los participantes deben ser mayores de 20 años, diagnosticados con prediabetes o diabetes, de nacionalidad taiwanesa o mandarina con fluidez o taiwaneses, no embarazadas o amamantadas, y capaz (o asistido por un cuidador) de usar un teléfono inteligente para fotografiar y registrar comidas. Las personas con trastornos alimentarios diagnosticados serán excluidos.

Brazos de intervención

• Grupo de eHealth: los participantes recibirán 10 minutos de tamaño de porción y educación nutricional utilizando la plataforma de educación digital 3D/AR digital " Se les exige que envíen un registro dietético basado en la imagen de alimentos una vez por semana utilizando la "formosa foodapp" desarrollada por el laboratorio (1). Los nutricionistas capacitados evaluarán las imágenes dietéticas utilizando un "Atlas de alimentos fotográficos digitales" desarrollados por el laboratorio y proporcionarán comentarios dietéticos en tiempo real a través de un grupo social de línea.

Además, el grupo eHealth recibirá materiales educativos que incluyen videos y folletos digitales en:

1. Cómo usar la formosa foodapp
2. Introducción a Myplate: clasificación de alimentos y tamaños de porciones
3. El impacto de los alimentos en la glucosa en sangre: comprensión del índice glucémico (GI) y carga glucémica (GL)
4. Valores de GI/GL de alimentos taiwaneses comúnmente consumidos
5. Interpretación de informes de análisis de sangre
6. Tomar decisiones de comida al cenar
7. Conceptos básicos del ejercicio
8. Comer durante los festivales

A partir del quinto mes en adelante, los sistemas de inteligencia artificial de IA desarrollados en laboratorio proporcionarán comentarios personalizados sobre los valores GI/GL de las comidas consumidas. Los sistemas de IA para el reconocimiento de alimentos y el grupo de línea son administrados por el personal de laboratorio.

Medidas biológicas:

Los perfiles de glucosa en sangre y lípidos en ayunas se recolectarán cada tres meses durante las visitas clínicas.

Justificación del tamaño de la muestra:

Usando G*Power 3.1.9.7, el punto final primario es el efecto de la retroalimentación dietética respaldada por IA sobre el control glucémico en adultos de mediana edad y mayores con diabetes tipo 2. Basado en el estudio de Lee et al. Sobre la combinación de la aplicación de nutrición humana y soportada por IA, la diferencia media estimada de HbA1c es 0.52% (7.52 ± 0.81 vs. 7.00 ± 0.66) a los 12 meses. Suponiendo un tamaño de efecto de 0.70, 80% de potencia y un 5% de importancia, se necesitan 33 participantes por grupo. Contabilizando una tasa de deserción del 10-20%, se reclutará una muestra total de 36-40 participantes.

Recopilación de datos:

Los datos sociodemográficos y antropométricos basales serán recopilados por dietistas registrados en el estado. Los resultados de las pruebas bioquímicas estándar, disponibles en el seguro de salud nacional de Taiwán, se recaudarán cada tres meses. El conocimiento de la nutrición y las percepciones y el uso de las tecnologías de alimentos digitales se evaluarán a través de un cuestionario en línea desarrollado a partir del marco teórico, la revisión de la literatura y validado por expertos. Los registros dietéticos semanales se registrarán a través de Formosa FoodApp (1).

Los datos incluirán:

• Demografía: edad, sexo, nivel educativo, historial de enfermedades
• Registros dietéticos semanales
• Antropometría: altura, peso, IMC, circunferencia de la cintura, fuerza de agarre, fuerza muscular
• Datos bioquímicos: glucosa en ayunas, perfiles de lípidos, indicadores de funciones renales (pruebas basadas en clínica y cubiertas de seguro)

Análisis estadístico:

Los datos se analizarán utilizando GraphPad Prism 5 (La Jolla, CA, EE. UU.).

• Normalidad: prueba de Kolmogorov-Smirnov
• Variables continuas: media ± 95% IC; analizado a través de pruebas t o ANOVA
• Variables categóricas: frecuencias/porcentajes; analizado a través de la prueba exacta de Chi-Square o Fisher
• Correlaciones: coeficiente de Spearman; regresión lineal logística
• Comparaciones no paramétricas: prueba de Kruskal-Wallis
• Análisis longitudinal: modelo mixto lineal generalizado (GLMM) para cambios glucémicos y riesgos de comorbilidad
• Umbral de significado: P <0.05