Innovatieve benaderingen in diabeteszorg

Objectief:

Deze studie heeft als doel de effectiviteit van eHealth -interventies bij de zorg voor patiënten met diabetes te evalueren.

Studieontwerp:

Volwassen deelnemers met diabetes zullen worden aangeworven uit het diabetes gedeeld zorgnetwerk en gemeenschapscentra voor een interventiestudie van 12 maanden.

Criteria in aanmerking komen:

Deelnemers moeten 20 jaar of ouder zijn, gediagnosticeerd met prediabetes of diabetes, van de Taiwanese nationaliteit of vloeiend in het Mandarijn of Taiwanese, niet zwanger of borstvoeding, en capabel (of geholpen door een verzorger) van het gebruik van een smartphone om een smartphone te gebruiken om maaltijden te fotograferen en op te nemen. Personen met gediagnosticeerde eetstoornissen zullen worden uitgesloten.

Interventiesarmen

• Ehalth Group: Deelnemers ontvangen 10 minuten portiegrootte en voedingsonderwijs met behulp van het lab-ontwikkelde "Metafood: 3D/AR Digital Food Education Platform" (https://sketchfab.com/susanlab108/collections). Ze zijn verplicht om eenmaal per week een voedingsrecord op basis van voedingsmiddelen in te dienen met behulp van de lab-ontwikkelde "Formosa FoodApp" (1). Getrainde voedingsdeskundigen zullen de voedingsbeelden beoordelen met behulp van een lab-ontwikkelde "Digital Photographic Food Atlas" en realtime voedingsfeedback geven via een sociale sociale groep.

Bovendien ontvangt de eHealth Group educatief materiaal inclusief video's en digitale folders op:

1. Hoe de Formosa foodapp te gebruiken
2. Inleiding tot MyPlate: voedselclassificatie en portiegroottes
3. De impact van voedsel op bloedglucose: Glycemic Index (GI) en glycemische belasting begrijpen (GL)
4. GI/GL -waarden van vaak geconsumeerde Taiwanese voedingsmiddelen
5. Interpretatie van bloedtestrapporten
6. Voedselkeuzes maken tijdens het uit eten gaan
7. Basics van lichaamsbeweging
8. Eten tijdens festivals

Vanaf de 5e maand worden gepersonaliseerde voedingsfeedback op de GI/GL-waarden van geconsumeerde maaltijden verstrekt door lab-ontwikkelde AI-systemen, die doorgaan tot het einde van de studie. AI -systemen voor voedselherkenning en de lijngroep worden beheerd door Lab -personeel.

Biologische maatregelen:

Vastende bloedglucose- en lipideprofielen worden om de drie maanden verzameld tijdens kliniekbezoeken.

Steekproefomvang: rechtvaardiging:

Met behulp van G*Power 3.1.9.7 is het primaire eindpunt het effect van door AI ondersteunde voedingsfeedback op glycemische controle bij volwassenen van middelbare leeftijd en oudere volwassenen met diabetes type 2. Gebaseerd op de studie van Lee et al. Naar de combinatie van menselijke en AI-ondersteunde voedingsapp-app, is het geschatte gemiddelde HbA1C-verschil 0,52% (7,52 ± 0,81 versus 7,00 ± 0,66) na 12 maanden. Uitgaande van een effectgrootte van 0,70, 80% vermogen en 5% significantie, zijn 33 deelnemers per groep nodig. Accounting voor een verloop van 10-20%, wordt een totale steekproef van 36-40 deelnemers aangeworven.

Gegevensverzameling:

Baseline sociodemografische en antropometrische gegevens zullen worden verzameld door door de overheid geregistreerde diëtisten. Standaard biochemische testresultaten, verkrijgbaar bij de nationale ziektekostenverzekering van Taiwan, worden om de drie maanden verzameld. Voedingskennis en percepties en gebruik van digitale voedseltechnologieën, zullen worden beoordeeld via een online vragenlijst die is ontwikkeld uit het theoretische kader, literatuuronderzoek en gevalideerd door experts. Wekelijkse voedingsrecords worden vastgelegd via de Formosa FoodApp (1).

Gegevens omvatten:

• Demografie: leeftijd, geslacht, opleidingsniveau, ziektegeschiedenis
• Wekelijkse voedingsrecords
• Anthropometrie: lengte, gewicht, BMI, tailleomtrek, greepsterkte, spierkracht
• Biochemische gegevens: vastenglucose, lipideprofielen, nierfunctie-indicatoren (kliniek-gebaseerde, verzekerde tests)

Statistische analyse:

Gegevens worden geanalyseerd met behulp van GraphPad Prism 5 (La Jolla, CA, VS).

• Normaliteit: Kolmogorov-Smirnov-test
• Continue variabelen: gemiddelde ± 95% BI; geanalyseerd via t-tests of ANOVA
• Categorische variabelen: frequenties/percentages; geanalyseerd via Chi-square of Fisher's exacte test
• Correlaties: Spearman's coëfficiënt; Logistische lineaire regressie
• Niet-parametrische vergelijkingen: Kruskal-Wallis-test
• Longitudinale analyse: gegeneraliseerd lineair gemengd model (GLMM) voor glycemische veranderingen en comorbiditeitsrisico's
• Significantiedrempel: P <0,05