Approcci innovativi nella cura del diabete

Obiettivo:

Questo studio mira a valutare l'efficacia degli interventi di eHealth nella cura dei pazienti con diabete.

Progettazione dello studio:

I partecipanti agli adulti con diabete saranno reclutati dalla rete di cure condivise per il diabete e dai centri comunitari per uno studio di intervento di 12 mesi.

Criteri di ammissibilità:

I partecipanti devono avere 20 anni di età pari o superiore a 20 anni, diagnosticati con prediabete o diabete, di nazionalità taiwanese o fluente nel mandarino o taiwanese, non in gravidanza o allattamento e capaci (o assistito da un caregiver) di usare uno smartphone per fotografare e registrare i pasti. Saranno esclusi gli individui con disturbi alimentari diagnosticati.

Braccia di intervento

• Gruppo EHealth: i partecipanti riceveranno 10 minuti di dimensioni delle porzioni e istruzione nutrizionale utilizzando la piattaforma "Metafood: 3D/AR Digital Food Education" (https://sketchfab.com/susanlab108/collections). Sono tenuti a presentare un record dietetico a base di alimenti a base di immagini una volta alla settimana utilizzando il "Formosa Foodapp" sviluppato dal laboratorio (1). I nutrizionisti addestrati valuteranno le immagini dietetiche utilizzando un "Atlante alimentare fotografico digitale" sviluppato da laboratorio e forniranno feedback dietetici in tempo reale attraverso un gruppo sociale di linea.

Inoltre, il gruppo EHealth riceverà materiali educativi, inclusi video e volantini digitali su:

1. Come usare la forma di Formosa
2. Introduzione a myplate: classificazione alimentare e dimensioni delle porzioni
3. L'impatto del cibo sulla glicemia: comprensione dell'indice glicemico (GI) e carico glicemico (GL)
4. Valori GI/GL di cibi taiwanesi comunemente consumati
5. Interpretazione dei report degli esami del sangue
6. Fare scelte alimentari quando ceni fuori
7. Nozioni di base sull'esercizio
8. Mangiare durante i festival

Dal 5 ° mese in poi, il feedback dietetico personalizzato sui valori GI/GL dei pasti consumati sarà fornito dai sistemi AI sviluppati da laboratorio, continuando fino alla fine dello studio. I sistemi AI per il riconoscimento alimentare e il gruppo di linee sono gestiti dal personale di laboratorio.

Misure biologiche:

I profili di glicemia e lipidi a digiuno verranno raccolti ogni tre mesi durante le visite della clinica.

Giustificazione delle dimensioni del campione:

Utilizzando G*Potenza 3.1.9.7, l'endpoint primario è l'effetto del feedback dietetico supportato dall'intelligenza artificiale sul controllo glicemico negli adulti di mezza età e più anziani con diabete di tipo 2. Sulla base dello studio di Lee et al. Sulla combinazione dell'app nutrizionale umana e supportata dall'IA, la differenza media di HbA1c stimata è dello 0,52% (7,52 ± 0,81 vs. 7,00 ± 0,66) a 12 mesi. Supponendo una dimensione dell'effetto di 0,70, 80% di potenza e significato del 5%, sono necessari 33 partecipanti per gruppo. Tenendo conto di un tasso di logoramento del 10-20%, verrà reclutato un campione totale di 36-40 partecipanti.

Collezione dei dati:

I dati sociodemografici e antropometrici di base saranno raccolti dai dietisti registrati dallo stato. I risultati standard dei test biochimici, disponibili presso l'assicurazione sanitaria nazionale di Taiwan, saranno raccolti ogni tre mesi. Le conoscenze nutrizionali, le percezioni e l'utilizzo delle tecnologie alimentari digitali saranno valutate tramite un questionario online sviluppato dal quadro teorico, dalla revisione della letteratura e validati da esperti. I registri dietetici settimanali saranno registrati tramite Formosa FoodApp (1).

I dati includeranno:

• DEMOGRAFIMI: età, sesso, livello di istruzione, storia delle malattie
• Registri dietetici settimanali
• Antropometria: altezza, peso, BMI, circonferenza della vita, forza di presa, forza muscolare
• Dati biochimici: glucosio a digiuno, profili lipidici, indicatori di funzione renale (test coperti di assicurazione, basati sulla clinica)

Analisi statistica:

I dati verranno analizzati utilizzando GraphPad Prism 5 (La Jolla, CA, USA).

• Normalità: test Kolmogorov-Smirnov
• Variabili continue: IC media ± 95%; analizzato tramite test t o ANOVA
• Variabili categoriche: frequenze/percentuali; analizzato tramite chi-quadrato o test esatto di Fisher
• Correlazioni: coefficiente di Spearman; Regressione lineare logistica
• Confronti non parametrici: test di Kruskal-Wallis
• Analisi longitudinale: modello misto lineare generalizzato (GLMM) per cambiamenti glicemici e rischi di comorbidità
• Soglia di significato: p <0,05