Utveckling och genomförbarhetstest av DM-BOOST Intervention. (DM-BOOST)

Aktiv komparator: Vanlig vård

Jämförelsegruppsdeltagare kommer att fylla i en baslinjeundersökning, få en DSMT-remissbegäran från forskarteamet till sin primärvårdsleverantör och ett välkomstbrev med e-post. Det postade brevet välkomnar deltagaren till studien och innehåller allmän information om diabetesegenvårdsbeteenden och målsättning. De kommer att slutföra en DSMT-session. De kommer sedan att genomföra en 3-månaders uppföljningsundersökning och kvalitativ intervju.

Beteende: Vanlig vård

Deltagarna kommer att få sedvanlig vård för DSMT.

Experimentell: Intervention - Diabetes BOOST

Deltagarna i interventionsgruppen kommer att fylla i en baslinjeundersökning, få en remiss till DSMT från forskarteamet, ett välkomstbrev med post och egenvårdsutbildning skickas via en serie personliga patientportalssäkra meddelanden, textmeddelanden och videosamtal. De kommer att skickas textmeddelanden med information om en av American Association of Diabetes Educators 7 beteenden för egenvård och kommer att få uppmuntran att författa sina egna beteendemål för självförvaltning. Deltagarna kommer också att genomföra ett videosamtal för telehälsoutbildning med forskarpersonal och granska målen som deltagaren svarade med. Deltagaren kommer sedan att uppmuntras att skicka ett patientportalmeddelande till sin DSMT CDCES som inkluderar deras personliga mål innan den schemalagda DSMT-sessionen. De kommer sedan att genomföra en 3-månaders uppföljningsundersökning och kvalitativ intervju.

Beteende: Diabetes BOOST

Deltagarna kommer att få stödjande vård med hjälp av teknik för DSMT utöver vanlig vård.

Interventionsacceptans (mål 2)

Patientrapporterad bedömning av interventionsacceptans via användbarhetstestning. Kvalitativ datainsamling informerad av Technology Acceptance Model med bedömning av upplevd användbarhet, användarvänlighet, beteendemässig avsikt att använda och externa faktorer. Inga kvantitativa data uppmätta.

Genomförd utbildning för självhantering av diabetes (Mål 3)

Genomförd utbildning för självhantering av diabetes.

Klinisk användning (mål 3)

Grad av kliniskt utnyttjande mätt som antal besök per deltagare till primärvård, specialvård och akut-/sjukhusbesök mätt 6 månader efter uppföljningsbesök.

Diabetes self-efficacy (Mål 3)

Diabetes själveffektivitet kommer att mätas vid baslinjen och 3 månader efter inskrivningen i studien med hjälp av Diabetes Management Self-Efficacy Scale. Deltagarna kommer att ge feedback på en uppsättning frågor, med hjälp av en 5-gradig Likert-skala (med 1=Håller inte med, 2=Håller inte med, 3=Neutral, 4=Håller till viss del, 5= Instämmer helt)

Tillfredsställelse vid behandling av diabetes (Syfte 3)

Diabetes Treatment Satisfaction kommer att mätas 3 månader efter anmälan till studien med hjälp av Diabetes Treatment Satisfaction Questionnaire Change-verktyget. Deltagarna kommer att bli ombedda att dela hur deras upplevelse av nuvarande behandling har förändrats från deras upplevelse av behandlingen innan studien började. De kommer att svara på varje fråga genom att välja 3 för mycket mer nöjd nu upp till -3 för mycket mindre nöjd nu. (3,2,1,0,-1,-2,-3)

Självhanteringsförmåga för diabetes (Mål 3)

Självförvaltningsförmåga kommer att mätas vid 3 månader efter anmälan till studien. Deltagarna kommer att ställas frågor om sina diabetesegenvårdsaktiviteter under de senaste sju dagarna med hjälp av åtgärden Summary of Diabetes Self-Care Activities Measure

Patientengagemang med diabetessjälvstyrningsutbildning (mål 3)

Engagemangsdata kommer att samlas in av forskarpersonal. Det kommer att mätas genom antalet patienter som begär kontakt, nås, registreras i studien och schemalagda DSMT-möten.

Hemoglobin A1C (HbA1C) (Mål 3)

Mätning av HbA1c-värden för att bestämma effekten av intervention. HbA1c-värden vid baslinjebesök kommer att jämföras med värden 3-6 månader efter deltagarens inskrivning. Dessa data kommer att erhållas genom EHR-diagramgranskning.

Prediktorer för riktlinjeöverensstämmande diabetesvård (sociodemografiska prediktorer) (Mål 1)

Retrospektiv analys av EHR-data för att identifiera kluster av sociodemografiska prediktorer för riktlinjeöverensstämmande med diabetesvård kommer att identifieras. Retrospektiva data kommer att begäras från UMMS Data Lake via Data Science Core. Data som efterfrågas för vuxna patienter med T2D sedan Epic EHR lanserades i oktober 2017 kommer att inkludera:

• Sociodemografiska egenskaper (kön, födelsedatum, ras/etnicitet, postnummer, språk, civilstånd, försäkringstyp)

Prediktorer för riktlinjeöverensstämmande diabetesvård (HbA1c-nivå) (Mål 1)

Retrospektiv analys av EHR-data för att identifiera kluster av kliniska prediktorer för riktlinjeöverensstämmande med diabetesvård kommer att identifieras. Retrospektiva data kommer att begäras från UMMS Data Lake via Data Science Core. Data som efterfrågas för vuxna patienter med T2D sedan Epic EHR lanserades i oktober 2017 kommer att inkludera:

• Kliniska egenskaper mätt med nivån av HbA1c

Prediktorer för riktlinjeöverensstämmande diabetesvård (BMI) (Syfte 1)

Retrospektiv analys av EHR-data för att identifiera kluster av kliniska prediktorer för riktlinjeöverensstämmande med diabetesvård kommer att identifieras. Retrospektiva data kommer att begäras från UMMS Data Lake via Data Science Core. Data som efterfrågas för vuxna patienter med T2D sedan Epic EHR lanserades i oktober 2017 kommer att inkludera:

• Kliniska egenskaper mätt med nivån på BMI. Vikt och höjd kommer att kombineras för att rapportera BMI i kg/m^2

Prediktorer för riktlinjeöverensstämmande diabetesvård (Rökstatus) (Mål 1)

Retrospektiv analys av EHR-data för att identifiera kluster av kliniska prediktorer för riktlinjeöverensstämmande med diabetesvård kommer att identifieras. Retrospektiva data kommer att begäras från UMMS Data Lake via Data Science Core. Data som efterfrågas för vuxna patienter med T2D sedan Epic EHR lanserades i oktober 2017 kommer att inkludera:

• Kliniska egenskaper mätt med rökstatus

Prediktorer för riktlinjeöverensstämmande diabetesvård (kolesterolnivå) (Mål 1)

Retrospektiv analys av EHR-data för att identifiera kluster av kliniska prediktorer för riktlinjeöverensstämmande med diabetesvård kommer att identifieras. Retrospektiva data kommer att begäras från UMMS Data Lake via Data Science Core. Data som efterfrågas för vuxna patienter med T2D sedan Epic EHR lanserades i oktober 2017 kommer att inkludera:

• Kliniska egenskaper mätt med kolesterolnivån

Prediktorer för riktlinjeöverensstämmande diabetesvård (Klinisk användning) (Syfte 1)

Retrospektiv analys av EHR-data för att identifiera kluster av kliniska prediktorer för riktlinjeöverensstämmande med diabetesvård kommer att identifieras. Retrospektiva data kommer att begäras från UMMS Data Lake via Data Science Core. Data som efterfrågas för vuxna patienter med T2D kommer att inkludera:

• Kliniskt utnyttjande mätt som antal besök per deltagare i primärvården, specialbesök, akutmottagning, sjukhusvistelser, utbildning/träning, patientportalanvändning, vårdledningsengagemang sedan Epic EHR lanseringen i oktober 2017