Innovative tilnærminger i diabetesbehandling

Objektiv:

Denne studien tar sikte på å evaluere effektiviteten av eHealth -intervensjoner i omsorgen for pasienter med diabetes.

Studiedesign:

Voksne deltakere med diabetes vil bli rekruttert fra Diabetes Shared Care Network og Community Centers for en 12-måneders intervensjonsstudie.

Kvalifiseringskriterier:

Deltakerne må være 20 år eller eldre, diagnostisert med prediabetes eller diabetes, av taiwansk nasjonalitet eller flytende mandarin eller taiwanesisk, ikke gravid eller amming, og i stand (eller assistert av en omsorgsperson) med å bruke en smarttelefon for å fotografere og spille inn måltider. Personer med diagnostiserte spiseforstyrrelser vil bli ekskludert.

Intervensjonsarmer

• Ehalth Group: Deltakerne vil motta 10 minutters porsjonsstørrelse og ernæringsopplæring ved hjelp av den lab-utviklede "Metafood: 3D/AR Digital Food Education Platform" (https://sketchfab.com/susanlab108/collections). De er pålagt å sende inn en matbildebasert kostholdsrekord en gang per uke ved å bruke den lab-utviklede "Formosa FoodApp" (1). Trenede ernæringsfysiologer vil vurdere kostholdsbildene ved hjelp av en lab-utviklet "Digital Photographic Food Atlas" og gi tilbakemeldinger fra sanntid i sanntid via en sosial gruppe.

I tillegg vil eHealth Group motta utdanningsmateriell inkludert videoer og digitale brosjyrer på:

1. Hvordan bruke Formosa FoodApp
2. Introduksjon til Myplate: Matklassifisering og porsjonsstørrelser
3. Effekten av mat på blodsukker: Forstå glykemisk indeks (GI) og glykemisk belastning (GL)
4. GI/GL -verdier av ofte konsumerte taiwanske matvarer
5. Tolkning av blodprøve rapporter
6. Ta matvalg når du ser ut
7. Grunnleggende om trening
8. Spiser under festivaler

Fra den femte måneden og fremover vil personlig tilbakemelding fra kostholdet på GI/GL-verdiene til konsumerte måltider bli levert av laboratorieutviklede AI-systemer, og fortsetter til slutten av studien. AI -systemer for matgjenkjenning og linjegruppen administreres av laboratoriepersonell.

Biologiske tiltak:

Fastende blodsukker og lipidprofiler vil bli samlet hver tredje måned under klinikkbesøk.

Begrunnelse av prøvestørrelse:

Ved å bruke G*Power 3.1.9.7 er det primære endepunktet effekten av AI-støttet tilbakemelding fra kostholdet på glykemisk kontroll hos middelaldrende og eldre voksne med diabetes type 2. Basert på Lee et al. Studie på kombinasjonen av menneskelig og AI-støttet ernæringsapp, er den estimerte gjennomsnittlige HBA1c-forskjellen 0,52% (7,52 ± 0,81 mot 7,00 ± 0,66) etter 12 måneder. Forutsatt en effektstørrelse på 0,70, 80% effekt og 5% betydning, er det nødvendig med 33 deltakere per gruppe. Å utarbeide en utslagssats på 10-20%, vil en total utvalg på 36-40 deltakere bli rekruttert.

Datainnsamling:

Baseline sosiodemografiske og antropometriske data vil bli samlet inn av statsregistrerte kostholdseksperter. Standard biokjemiske testresultater, tilgjengelig fra Taiwans nasjonale helseforsikring, vil bli samlet inn hver tredje måned. Ernæringskunnskap, og oppfatninger og bruk av digitale matteknologier, vil bli vurdert via et online spørreskjema utviklet fra det teoretiske rammeverket, litteraturgjennomgang og validert av eksperter. Ukentlige kostholdsregister blir logget via Formosa FoodApp (1).

Data vil omfatte:

• Demografi: Alder, kjønn, utdanningsnivå, sykdomshistorie
• Ukentlige kostholdsregister
• Antropometri: høyde, vekt, BMI, midjeomkrets, grepstyrke, muskelstyrke
• Biokjemiske data: Fastende glukose, lipidprofiler, nyrefunksjonsindikatorer (klinikkbaserte, forsikringsdekkede tester)

Statistisk analyse:

Data vil bli analysert ved bruk av GraphPad Prism 5 (La Jolla, CA, USA).

• Normalitet: Kolmogorov-Smirnov-test
• Kontinuerlige variabler: Gjennomsnitt ± 95% CI; analysert via t-tester eller ANOVA
• Kategoriske variabler: Frekvenser/prosenter; analysert via chi-square eller fiskers eksakte test
• Korrelasjoner: Spearmans koeffisient; Logistisk lineær regresjon
• Ikke-parametriske sammenligninger: Kruskal-Wallis-test
• Longitudinal analyse: Generalisert lineær blandet modell (GLMM) for glykemiske endringer og komorbiditetsrisiko
• Betydningsterskel: P <0,05