Innovatiivisia lähestymistapoja diabeteksen hoidossa

Tavoite:

Tämän tutkimuksen tarkoituksena on arvioida eHealth -interventioiden tehokkuutta diabetespotilaiden hoidossa.

Opintojen suunnittelu:

Aikuiset osallistujat, joilla on diabetes, rekrytoidaan Diabetes jaetun hoitoverkoston ja yhteisökeskuksista 12 kuukauden interventiotutkimukseen.

Kelpoisuuskriteerit:

Osallistujien on oltava vähintään 20 -vuotiaita, diagnosoidussa taiwanin kansallisuudessa tai diabeteksen kanssa tai sujuvasti mandariinia tai taiwania, ei raskaana tai imettäviä ja kykeneviä (tai hoitajan avustaa) älypuhelimen käyttämisestä aterioiden valokuvaamiseen ja tallentamiseen. Henkilöt, joilla on diagnosoitu syömishäiriö, jätetään pois.

Interventiovarret

• Ehealth Group: Osallistujat saavat 10 minuutin annoskoon ja ravitsemuskoulutuksen laboratoriokehittämällä "MetaFood: 3D/AR Digital Food Education Platform" (https://skechfab.com/susanlab108/collections). Heidän on lähetettävä ruokapohjainen ruokavaliotietue kerran viikossa laboratoriokehittämällä "Formosa FoodApp" (1). Koulutetut ravitsemusterapeutit arvioivat ruokavaliokuvia laboratoriokehittämällä "digitaalisessa valokuva-atlasissa" ja tarjoavat reaaliaikaisen ruokavalion palautteen linjan sosiaalisen ryhmän kautta.

Lisäksi eHealth -ryhmä saa koulutusmateriaaleja, mukaan lukien videot ja digitaaliset esitteet:

1. Kuinka käyttää Formosa FoodAppia
2. Johdanto MyPlate: Ruokaluokittelu ja annoskokot
3. Ruoan vaikutus verensokeriin: Glykeemisen indeksin (GI) ja glykeemisen kuorman (GL) ymmärtäminen (GL)
4. Yleisesti käytettyjen taiwanilaisten ruokien GI/GL -arvot
5. Verikokeiden tulkinta
6. Ruokavalintojen tekeminen ruokailusta
7. Liikunnan perusteet
8. Syöminen festivaalien aikana

Laboratoriokehittämät AI-järjestelmät saavat viidennestä kuukaudesta lähtien henkilökohtaista ruokavalion palautetta kulutettujen aterioiden GI/GL-arvoista, jotka jatkavat tutkimuksen loppuun saakka. AI -järjestelmiä elintarvikkeiden tunnistamista varten ja linjaryhmää hallinnoi laboratoriohenkilöstö.

Biologiset toimenpiteet:

Paastoverensokeri- ja lipidiprofiilit kerätään joka kolmas kuukausi klinikkavierailujen aikana.

Näytteen koko perusteet:

Käyttämällä G*Power 3.1.9.7: tä, ensisijainen päätepiste on AI: n tukeman ruokavalion palautteen vaikutus glykeemiseen hallintaan keski-ikäisillä ja vanhemmilla aikuisilla, joilla on tyypin 2 diabetes. Perustuen Lee et. 12 kuukauden kohdalla. Oletetaan, että vaikutuksen koko on 0,70, 80% tehoa ja 5%: n merkitystä, tarvitaan 33 osallistujaa ryhmää kohti. Kannattaen 10-20%: n hankautumisprosentti, 36–40 osallistujan kokonaisnäyte rekrytoidaan.

Tiedonkeruu:

Valtion rekisteröidyt ravitsemusterapeutit keräävät lähtötilanteen sosiodemografisia ja antropometrisiä tietoja. Taiwanin kansallisesta sairausvakuutuksesta saatavana olevat biokemialliset testitulokset kerätään kolmen kuukauden välein. Ravitsemustiedot, digitaalisen ruokateknologian käsitykset ja käyttöä arvioidaan teoreettisesta kehyksestä, kirjallisuuskatsauksesta ja asiantuntijoiden validoimasta online -kyselylomakkeesta. Viikoittaiset ruokavaliotiedot kirjataan Formosa FoodAppin kautta (1).

Tiedot sisältävät:

• Demografia: Ikä, sukupuoli, koulutustaso, taudihistoria
• Viikoittaiset ravintotiedot
• Antropometriset tiedot: korkeus, paino, BMI, vyötärön ympärysmitta, tarttuvuus, lihasvoima
• Biokemialliset tiedot: paastoglukoosi, lipidiprofiilit, munuaisten toiminnan indikaattorit (klinikkapohjaiset, vakuutukset peittävät testit)

Tilastollinen analyysi:

Tiedot analysoidaan GraphPad Prism 5: n avulla (La Jolla, CA, USA).

• Normaali: Kolmogorov-Smirnov-testi
• Jatkuvat muuttujat: keskiarvo ± 95% CI; Analysoitu t-testien tai ANOVA: n kautta
• Kategoriset muuttujat: taajuudet/prosenttimäärät; Analysoitu chi-neliön tai Fisherin tarkan testin kautta
• Korrelaatiot: Spearmanin kerroin; logistinen lineaarinen regressio
• Ei-parametriset vertailut: Kruskal-Wallis-testi
• Pitkittäisanalyysi: Yleinen lineaarinen sekoitettu malli (GLMM) glykeemisten muutosten ja komorbiditeetin riskeille
• Merkityskynnys: P <0,05