糖尿病ケアにおける革新的なアプローチ

客観的：

この研究は、糖尿病患者のケアにおけるeHealth介入の有効性を評価することを目的としています。

学習デザイン：

糖尿病の成人参加者は、12か月の介入研究のために、糖尿病共有ケアネットワークおよびコミュニティセンターから募集されます。

資格基準：

参加者は、20歳以上で、前糖尿病または糖尿病と診断され、台湾国籍の診断、または妊娠または母乳育児ではなく、マンダリンまたは台湾の流fluentである必要があります。 摂食障害と診断された個人は除外されます。

介入群

•EHealth Group：参加者は、ラボで開発された「MetaFood：3D/AR Digital Food Education Platform」（https://sketchfab.com/susanlab108/collections）を使用して、10分間のポーションサイズと栄養教育を受けます。 彼らは、ラボで開発された「Formosa Foodapp」（1）を使用して、週に1回食品画像ベースの食事記録を提出する必要があります。 訓練を受けた栄養士は、ラボで開発された「デジタル写真食品アトラス」を使用して食事画像を評価し、ラインソーシャルグループを介してリアルタイムの食事フィードバックを提供します。

さらに、eHealth Groupは、ビデオやデジタルリーフレットなどの教育資料を次のように受け取ります。

1. Formosa Foodappの使用方法
2. MyPlateの紹介：食品分類と部分サイズ
3. 血糖に対する食物の影響：血糖指数（GI）と血糖負荷（GL）の理解
4. 一般的に消費される台湾食品のGi/GL値
5. 血液検査報告の解釈
6. 外食時に食べ物の選択をする
7. 運動の基本
8. フェスティバル中に食べる

5か月目から、消費された食事のGI/GL値に関するパーソナライズされた食事フィードバックは、研究室で開発されたAIシステムによって提供され、研究の終了まで継続されます。 食品認識のためのAIシステムとライングループは、ラボのスタッフによって管理されています。

生物学的手段：

診療中に、診療中に3か月ごとに空腹時血糖と脂質プロファイルが収集されます。

サンプルサイズの正当化：

G*パワー3.1.9.7を使用すると、主なエンドポイントは、2型糖尿病の中年および高齢者の血糖コントロールに対するAIサポートされた食事フィードバックの効果です。 Lee et al。のヒトとAIのサポートされた栄養アプリの組み合わせに関する研究に基づいて、推定平均HBA1cの差は0.52％（7.52±0.81対7.00±0.66）です。 12か月で。 0.70、80％のパワー、5％の有意性の効果サイズを仮定すると、グループごとに33人の参加者が必要です。 10〜20％の離職率を考慮して、36〜40人の参加者の合計サンプルが募集されます。

データ収集：

ベースラインの社会人口統計および人体測定データは、国家登録栄養士によって収集されます。 台湾の国民健康保険から入手可能な標準的な生化学試験結果は、3か月ごとに徴収されます。 栄養の知識、およびデジタルフードテクノロジーの認識と使用は、理論的枠組み、文献レビュー、および専門家によって検証されたオンラインアンケートを介して評価されます。 毎週の食事記録は、Formosa Foodapp（1）を介して記録されます。

データは次のとおりです。

• 人口統計：年齢、性別、教育レベル、病気の歴史
• 毎週の食事記録
• 人体測定：身長、体重、BMI、ウエスト周囲、グリップ強度、筋力
• 生化学データ：空腹時グルコース、脂質プロファイル、腎機能指標（臨床ベース、保険に覆われたテスト）

統計分析：

データは、GraphPad Prism 5（La Jolla、CA、USA）を使用して分析されます。

• 正常：コルモゴロフ・スミルノフテスト
• 連続変数：平均±95％CI; t検定またはANOVAを介して分析されます
• カテゴリ変数：周波数/パーセンテージ。カイ二乗またはフィッシャーの正確なテストを介して分析されました
• 相関：スピアマンの係数。ロジスティック線形回帰
• ノンパラメトリック比較：Kruskal-Wallisテスト
• 縦断分析：血糖変化と併存疾患のリスクのための一般化された線形混合モデル（GLMM）
• 有意なしきい値：p <0.05