Abordagens inovadoras no tratamento do diabetes

Objetivo:

Este estudo tem como objetivo avaliar a eficácia das intervenções de eHealth no atendimento de pacientes com diabetes.

Desenho do estudo:

Os participantes adultos com diabetes serão recrutados na Rede de Cuidados Compartilhados de Diabetes e nos Centros Comunitários para um estudo de intervenção de 12 meses.

Critérios de elegibilidade:

Os participantes devem ter 20 anos ou mais, diagnosticados com pré -diabetes ou diabetes, de nacionalidade de Taiwan ou fluente em mandarim ou taiwanês, não grávidas ou amamentando, e capaz (ou assistido por um cuidador) de usar um smartphone para fotografar e gravar refeições. Indivíduos com distúrbios alimentares diagnosticados serão excluídos.

Braços de intervenção

• Grupo de eHealth: os participantes receberão 10 minutos de tamanho de porção e educação nutricional usando a plataforma de educação de alimentos digitais desenvolvidos em laboratório "Metafood: 3D/AR Digital" (https://sketchfab.com/susanlab108/collections). Eles são obrigados a enviar um registro alimentar alimentar baseado em imagens uma vez por semana, usando o "Formosa FoodApp" desenvolvido pelo laboratório (1). Os nutricionistas treinados avaliarão as imagens alimentares usando um "Atlas de alimentos fotográficos digitais" desenvolvidos em laboratório e fornecerão feedback dietético em tempo real por meio de um grupo social de linha.

Além disso, o EHealth Group receberá materiais educacionais, incluindo vídeos e folhetos digitais em:

1. Como usar o Formosa FoodApp
2. Introdução ao My Places: Classificação de alimentos e tamanhos de porção
3. O impacto dos alimentos na glicose no sangue: compreensão do índice glicêmico (GI) e carga glicêmica (GL)
4. Valores GI/GL de alimentos taiwanês comumente consumidos
5. Interpretação de relatórios de exames de sangue
6. Fazendo escolhas alimentares ao jantar fora
7. Noções básicas de exercício
8. Comer durante festivais

A partir do quinto mês, o feedback dietético personalizado sobre os valores GI/GL das refeições consumidas será fornecido pelos sistemas de IA desenvolvidos em laboratório, continuando até o final do estudo. Os sistemas de IA para reconhecimento de alimentos e o grupo de linha são gerenciados pela equipe do laboratório.

Medidas biológicas:

Os perfis de glicose no sangue em jejum e lipídios serão coletados a cada três meses durante as visitas clínicas.

Justificação do tamanho da amostra:

Usando G*Power 3.1.9.7, o ponto final primário é o efeito do feedback dietético apoiado pela IA sobre o controle glicêmico em adultos de meia-idade e mais velhos com diabetes tipo 2. Com base no estudo de Lee et al. Sobre a combinação de aplicativo nutricional humano e apoiado pela IA, a diferença média estimada em HbA1c é de 0,52% (7,52 ± 0,81 vs. 7,00 ± 0,66) Aos 12 meses. Assumindo um tamanho de efeito de 0,70, 80% de potência e 5% de significância, são necessários 33 participantes por grupo. Contabilizando uma taxa de atrito de 10 a 20%, uma amostra total de 36-40 participantes será recrutada.

Coleta de dados:

Os dados sociodemográficos e antropométricos basais serão coletados por nutricionistas registrados no estado. Os resultados padrão dos testes bioquímicos, disponíveis no seguro nacional de saúde de Taiwan, serão coletados a cada três meses. O conhecimento nutricional e as percepções e o uso de tecnologias de alimentos digitais serão avaliadas por meio de um questionário on -line desenvolvido a partir da estrutura teórica, revisão da literatura e validada por especialistas. Os registros semanais da dieta serão registrados através do Formosa FoodApp (1).

Os dados incluirão:

• Demografia: idade, sexo, nível de educação, história da doença
• Registros dietéticos semanais
• Antropometria: altura, peso, IMC, circunferência da cintura, força de preensão, força muscular
• Dados bioquímicos: glicose em jejum, perfis lipídicos, indicadores de função renal (testes de seguros e baseados em clínicas)

Análise Estatística:

Os dados serão analisados usando o GraphPad Prism 5 (La Jolla, CA, EUA).

• Normalidade: teste Kolmogorov-Smirnov
• Variáveis contínuas: média ± 95% de IC; analisado por testes t ou ANOVA
• Variáveis categóricas: frequências/porcentagens; Analisado por meio do qui-quadrado ou do teste exato de Fisher
• Correlações: coeficiente de Spearman; Regressão linear logística
• Comparações não paramétricas: teste de Kruskal-Wallis
• Análise longitudinal: modelo misto linear generalizado (GLMM) para alterações glicêmicas e riscos de comorbidade
• Limiar de significância: p <0,05