Identifikation af patienter med type 2-diabetes med klinisk relevant effekt af telemedicin: En kvantitativ analyse og udvikling af prædiktionsmodel
Oversat titel
Identification of Patients with Type 2 Diabetes with Clinically Relevant Effect of Telemedicine: A Quantitative Analysis and Development of a Machine Learning Prediction Model
Forfattere
Skov, Helene Bloksgaard ; Hjuler, Emilie Møller
Semester
4. semester
Udgivelsesår
2025
Afleveret
2025-06-16
Antal sider
41
Abstract
Type 2-diabetes er en voksende byrde for patienter og sundhedsvæsenet, og telemedicin kan potentielt støtte bedre egenomsorg. Dette speciale havde til formål at identificere, hvilke patienter med dysreguleret type 2-diabetes har klinisk gavn af en telemedicinsk intervention. Med udgangspunkt i data fra interventionsgruppen i DiaMonT-studiet blev der gennemført tre analyser: (1) en korrelationsanalyse af sammenhængen mellem patienttilfredshed med telemedicin, målt med Telemedicine Usability Questionnaire (TUQ), og ændring i HbA1c; (2) en statistisk sammenligning af karakteristika mellem patienter med og uden klinisk relevant effekt, defineret som HbA1c ≤ 58 mmol/mol ved afslutning; og (3) udvikling af en prædiktionsmodel baseret på logistisk regression med 3-folds stratificeret krydsvalidering. Der blev ikke fundet en signifikant sammenhæng mellem patienttilfredshed og glykæmisk kontrol. Derimod var der signifikante forskelle i baseline-HbA1c, TUQ, BMI og diabetesvarighed mellem patienter med og uden effekt. En model med baseline-HbA1c, TUQ, BMI og systolisk blodtryk som prædiktorer opnåede en AUROC på 0,79 samt høj specificitet (82,1 %) og PPV (86,8 %) ved en tærskelværdi på 0,768. Resultaterne peger på, at en prædiktionsmodel kan bruges som beslutningsstøtte til målrettet visitation af patienter til telemedicin, men metodiske begrænsninger reducerer den kliniske anvendelighed. Fremtidigt arbejde bør omfatte større datasæt, ekstern validering, videreudvikling af TUQ og individualiserede behandlingsmål.
Type 2 diabetes is an increasing burden for patients and health systems, and telemedicine may help support self-management. This thesis aimed to identify which patients with poorly regulated type 2 diabetes derive a clinically relevant benefit from a telemedicine intervention. Using data from the intervention arm of the DiaMonT study, three analyses were conducted: (1) a correlation analysis between patient satisfaction with telemedicine, measured by the Telemedicine Usability Questionnaire (TUQ), and change in HbA1c; (2) a statistical comparison of characteristics between patients with and without a clinically relevant effect, defined as HbA1c ≤ 58 mmol/mol at study end; and (3) development of a prediction model based on logistic regression with 3-fold stratified cross-validation. No significant association was found between patient satisfaction and glycemic control. In contrast, significant differences in baseline HbA1c, TUQ, BMI, and diabetes duration were observed between patients with and without effect. A model using baseline HbA1c, TUQ, BMI, and systolic blood pressure as predictors achieved an AUROC of 0.79, with high specificity (82.1%) and PPV (86.8%) at a threshold of 0.768. These findings suggest a prediction model could support targeted referral to telemedicine, though methodological limitations currently constrain clinical applicability. Future work should include larger datasets, external validation, further development of TUQ, and individualized treatment goals.
[Dette resumé er genereret ved hjælp af AI]