Methodenartikel

Auswirkungen ökologischer kurzzeitiger Interventionen auf glykiertes Hämoglobin, den Body-Mass-Index und die Lebensqualität bei Menschen mit Typ-2-Diabetes: Eine Übersicht

DOI:

10.3791/70983

⸱

5. Mai 2026

 ,  ,  ,  ,  ,  , 
1School of Nursing, Chengdu University of Traditional Chinese Medicine, 2School of Nursing, Sun Yat-sen University, 3Dean’s Office, Sichuan Nursing Vocational College

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese systematische Übersichtsarbeit und Metaanalyse bewerten die Wirksamkeit ökologischer momentaner Interventionen bei der glykämischen Kontrolle, dem Gewichtsmanagement und der Lebensqualität bei Menschen mit Typ-2-Diabetes.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die weltweite Prävalenz von Typ-2-Diabetes mellitus (T2DM) steigt weiter. Wirksame Blutzucker- und Gewichtskontrolle sind entscheidend für die Krankheitskontrolle und die Verbesserung der Lebensqualität. Ökologische momentare Interventionen (EMIs), die in Echtzeit personalisierte Unterstützung auf Basis ökologischer momentaner Bewertungen (EMAs) relevanter Variablen bieten, bieten einen vielversprechenden Ansatz zur Förderung adaptiver Selbstverwaltung im Alltag. Wir durchsuchten systematisch fünf Datenbanken von Beginn bis August 2025. Primäre Endpunkte waren glykiertes Hämoglobin (HbA1c) und der Body-Mass-Index (BMI); Sekundäre Ergebnisse deckten die körperliche und psychische Gesundheit bezogene Lebensqualität (HRQoL) ab. Vierzehn Studien, darunter insgesamt 1.873 Teilnehmer, wurden eingeschlossen. Im Vergleich zu Kontrollgruppen reduzierten EMIs signifikant das HbA1c (MD = -0,71, 95%-KI: -1,02 bis -0,40, p < 0,001) und den BMI (MD = -1,08, 95%-KI: -1,90 bis -0,26, p = 0,01), mit erheblicher Heterogenität zwischen den Studien (I2 = 84% bzw. 92%). Subgruppenanalysen zeigten konsistentere Effekte für umfassende multidomänenübergreifende EMIs, während die Effekte von Einzeldomänen-EMIs je nach Interventionsinhalt variierten. EMIs waren auch mit moderaten Verbesserungen im physikalischen Bereich verbunden (SMD = 0,37, 95%-KI: 0,17 bis 0,56, S. < 0,001; I2 = 47 %) und mental (SMD = 0,42, 95 % KI: 0,15 bis 0,68, p = 0,002; I2 = 0 %) HRQoL. Diese Ergebnisse deuten darauf hin, dass EMIs, insbesondere umfassende multidomänenübergreifende Strategien, eine vielversprechende Intervention für das T2DM-Management zu sein scheinen, doch die Gesamtsicherheit der aktuellen Evidenz ist durch ausgeprägte Heterogenität, eingeschränkte statistische Stärke in Untergruppen und ein gewisses Risiko von Verzerrungen begrenzt, was eine vorsichtige Interpretation der Ergebnisse rechtfertigt. Zukünftige Forschung sollte hochwertige Designs und umfassende Ergebnisbewertungen priorisieren.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Schätzungen zufolge gab es im Jahr 2024 weltweit etwa 589 Millionen Menschen mit Diabetes, und diese Zahl wird voraussichtlich bis 2050 auf 853 Millionen steigen. Typ-2-Diabetes mellitus (T2DM) macht etwa 90–95 % aller Diabetesfälle aus, während Diabetes eine jährliche wirtschaftliche Belastung von fast 1,015 Billionen US-Dollar weltweit darstellt, was weltweit einen erheblichen Druck auf Gesundheitssysteme ausübt. Eine wirksame Blutzuckerregulierung ist unerlässlich, um die Krankheitslast durch T2DM zu verringern und die Lebensqualität von Menschen mit T2DM zu verbessern. Bemerkenswert ist, dass über 60 % der Menschen mit T2DM ebenfalls Übergewicht oder Fettleibigkeithaben 4; Ein erhöhter Body-Mass-Index (BMI) verschärft die Insulinresistenz und erschwert die glykämische Kontrolle5. Eine schlechte Regulierung von Blutzucker und Körpergewicht erhöht das Risiko für mikrovaskuläre und makrovaskuläre Komplikationen erheblich und kann zu lebensbedrohlichen klinischen Ergebnissenführen. 6,7. Allerdings hängt die optimale glykämische und Gewichtskontrolle grundlegend von effektiven täglichen Selbstmanagement-Verhaltensweisen der Individuen ab, einschließlich, aber nicht beschränkt auf Blutzuckermessung, Ernährungsumstellungen, körperliche Aktivität und Medikamenteneinhaltung8. Diese Praktiken sind entscheidend, um krankheitsbedingte Risiken zu reduzieren und langfristige Ergebnisse zu optimieren.

In den letzten Jahren wurde Technologie zunehmend eingesetzt, um das Selbstmanagement zu unterstützen und die Therapietreue bei Menschen mit T2DM zu verbessern. Im Vergleich zu traditionellen Interventionen haben derzeit verfügbare Telefonberatung, Kurznachrichtendienste (SMS) oder andere digitale Plattformen die Zugänglichkeit und Kontinuität von Gesundheitsdiensten bis zu einem gewissenGrad verbessert. Wenn Einzelpersonen jedoch mit unmittelbaren Entscheidungsfindungen oder Herausforderungen wie geringer Motivation oder begrenztem Wissen im Alltag konfrontiert sind, fehlt es festen Interaktionsmodellen weiterhin die Fähigkeit, Echtzeit-, kontextrelevante Unterstützung zu bieten12,13. Insbesondere verlassen sich einige Programme weiterhin auf retrospektive Selbstberichte oder klinische Bewertungen mit langen Abständen, die unzureichend sind, um die dynamische und kontextuelle Natur der T2DM-Erfahrung zu erfassen, und bieten daher keine persönliche Unterstützung14. Daher bleibt es im sich entwickelnden Kontext der Telemedizin weiterhin ein dringendes Thema, wie man den Bedürfnissen von Menschen mit T2DM an personalisiertem, Echtzeit-Feedback zur Förderung ihrer effektiven Teilnahme an der Diabetes-Selbstbehandlung besser erfüllen kann15,16.

Ökologische momentane Interventionen (EMIs) beziehen sich auf eine Verhaltensunterstützungsstrategie, die digitale Technologie nutzt, um Echtzeit- und personalisiertes Feedback in den natürlichen Umgebungen der Menschen zu liefern17,18. Sein zentrales Merkmal ist die Fähigkeit, adaptive Interventionen durchzuführen, wenn ungesunde oder risikoreiche Verhaltensweisen auftreten, basierend auf Daten aus ökologischen Momentary Assessments (EMAs) – wodurch die Einschränkungen vorgegebener Behandlungsprotokolle19 überwunden werden. In dieser Studie haben wir eine operationelle Definition für EMI in der vorliegenden Studie auf Basis von Kernbeschreibungen von EMI aus der vorhandenen Literatur17,20 klargestellt, mit drei notwendigen Mindestanforderungen für die eingeschlossenen Studien: (1) Interventionen werden über digitale oder elektronische Plattformen in den täglichen Lebensumgebungen der Teilnehmer durchgeführt und sind während der Routineaktivitäten zugänglich, anstatt auf klinische oder überwachte Umgebungen beschränkt zu sein; (2) Informationen werden über EMAs gewonnen, die momentane Veränderungen in den relevanten Alltagszuständen erfassen, und diese Daten werden genutzt, um die Durchführung von Interventionen bei Bedarf zu steuern; (3) Interventionen müssen adaptives und personalisiertes Feedback oder Verhaltensunterstützung als Reaktion auf die gesammelten EMA-Daten bieten, anstatt sich ausschließlich auf vorgegebene, nicht maßgeschneiderte Inhalte zu verlassen, die nichts mit den individuellen Bewertungsergebnissen zu tun haben. Theoretisch können EMIs durch nahtlose Integration in den Alltag und dynamische Anpassung von Unterstützungsstrategien an Echtzeitänderungen die Relevanz und Wirksamkeit von Interventionenstärken. Es birgt vielversprechende Leistungen, den Wandel von gewohntem Verhalten zu zielgerichtetem Verhalten zu erleichtern und das Selbstmanagement der Krankheitzu verbessern 21,22. Als Form der digitalen Gesundheitsintervention könnten EMIs besonders geeignet für Personen mit grundlegender digitaler Kompetenz und Zugang zu smarten Geräten sein, die von Echtzeitunterstützung für tägliche T2DM-Managemententscheidungen profitieren können, insbesondere in Umgebungen, in denen der Zugang zu regelmäßiger persönlicher Unterstützung begrenzt ist23. Allerdings sind sie wahrscheinlich weniger geeignet für Personen, die sich mit der Nutzung von Smart-Geräten unwohl fühlen, sowie für diejenigen, die Bedenken hinsichtlich des Datenschutzes17 haben.

Eine zunehmende Anzahl von Studien hat begonnen, die Anwendung von EMIs im T2DM-Management zu untersuchen. Die meisten dieser Interventionen konzentrieren sich darauf, sofortige Hinweise zum Lebensstil zu geben (z. B. Kalorienkontrolle der Ernährung, Anpassung der Trainingsintensität), indem sie Echtzeit-Daten (z. B. Blutzucker, Ernährung, körperliche Aktivität) von Individuen24, 25, 26 erfassen. Sie gelten als vielversprechend für die Förderung der glykämischen Kontrolle und Gewichtskontrolle bei Menschen mit T2DM und liefern objektive und quantifizierbare Belege zur Bewertung der Wirksamkeit von EMIs. Einige Studien haben auch die Auswirkungen von EMIs auf patientenberichtete Ergebnisse untersucht, um deren Gesamtnutzen vollständig zu verstehen. Allerdings gab es bisher keine systematische Integration und Bewertung dieser Ergebnisse. Darüber hinaus zeigen bestehende EMI-Studien signifikante Unterschiede in T2DM-Interventionsstrategien und Inhaltsdesign, und es fehlt an Diskussion über deren klinische Machbarkeit. Daher zielt diese systematische Übersichtsarbeit und Metaanalyse darauf ab, die Wirksamkeit von EMIs bei klinisch relevanten Endpunkten bei Menschen mit T2DM zu bewerten und Belege für die Optimierung und Förderung von EMIs im T2DM-Management zu liefern.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die systematische Übersichtsarbeit und Metaanalyse wurden gemäß den PRISMA-Richtlinien durchgeführt (Ergänzende Tabelle 1)27. Das Protokoll für diese Überprüfung wurde in PROSPERO: Nein. CRD420251132100.

1. Suchstrategie

  1. Datenbankauswahl: Führen Sie einen systematischen Ansatz über fünf große elektronische Datenbanken durch: PubMed, Cochrane Library, Embase, Web of Science und Scopus. Stellen Sie sicher, dass die Suche alle Datensätze vom Beginn der Datenbank bis August 2025 umfasst.
  2. Entwicklung von Suchbegriffen: Verwenden Sie eine Kombination aus medizinischen Fachwörtern (MeSH) und Freitext-Schlüsselwörtern. Beziehen Sie Schlüsselkonzepte wie "Typ-2-Diabetes mellitus", "ökologische momentane Intervention" und "randomisierte kontrollierte Studie" ein. Kombinieren Sie diese Begriffe mit geeigneten booleschen Operatoren (UND, ODER).
  3. Suchausführung: Passe die konstruierte Suchsyntax an die spezifischen Anforderungen jeder Datenbank an. Geben Sie die detaillierte Suchstrategie in ergänzender Tabelle 2 an.

2. Anwendung der Zulassungskriterien

  1. Einschlusskriterien: (1) Bevölkerung: Erwachsene (Alter ≥18 Jahre), bei denen T2DM diagnostiziert wurde, unabhängig vom Geschlecht; (2) Intervention: EMIs, bereitgestellt über technologiegestützte Werkzeuge (z. B. Smartphones, mobile Anwendungen, Sensoren, tragbare Geräte), die Echtzeit-Rückmeldungen und Unterstützung in der routinemäßigen Hausversorgung oder zu Hause bieten; (3) Vergleich: übliche Versorgung, Standardversorgung oder Interventionen ohne EMI-bezogene Komponenten (z. B. traditionelle Selbstüberwachung und Anleitung ohne Echtzeit-Rückmeldung); (4) Ergebnisse: Glykiertes Hämoglobin (HbA1c) ist der Goldstandard zur Bewertung der langfristigen glykämischen Kontrolle bei Menschen mit T2DM2, und der BMI ist ein zentraler Indikator zur Bewertung von Gewichtsmanagement und Stoffwechselstatus, der eng mit der T2DM-Progressionzusammenhängt. Die gesundheitsbezogene Lebensqualität (HRQoL) ist ein wichtiges, von Patienten berichtetes Ergebnis zur Bewertung der Auswirkungen von Interventionen auf Gesundheit und Wohlbefinden29. Daher sollten HbA1c und BMI als primäre Endpunkte ausgewählt und patientenberichtetes HRQoL als sekundäres Endergebnis definiert werden. (5) Studientyp: randomisierte kontrollierte Studien (RCTs).
    HINWEIS: Um die potenziellen Vorteile der Intervention umfassender widerzuspiegeln, planen wir, weitere von Patienten berichtete subjektive Ergebnisse im Zusammenhang mit Selbstmanagement für weitere explorative ergänzende Analysen zu extrahieren. Daher müssen geeignete Studien mindestens eines der folgenden Endpunkte melden: HbA1c (gemessen in % oder mmol/mol), BMI (kg/m2) oder patientenberichtete Endpunkte (z. B. Diabetes-Selbstfürsorgeaktivitäten oder HRQoL);
  2. Ausschlusskriterien: Studien ausschließen, die eines der folgenden Kriterien erfüllen: (1) Zielergebnisse melden, aber keine entsprechenden statistischen Referenzergebnisse liefern oder keinen verfügbaren Volltext haben; (2) doppelte Daten zu melden; (3) schwangere oder stillende Frauen mit T2DM anmelden.

3. Auswahlverfahren der Studie

  1. Verwaltung von Datensätzen: Importieren Sie alle identifizierten Literaturunterlagen in eine Referenzverwaltungssoftware (Materialtabelle), um die Entfernung doppelter Datensätze zu erleichtern.
  2. Screening-Prozess: Diese Aufgabe blind ausführen, wobei zwei Autoren die Artikeltitel und Abstracts unabhängig voneinander prüfen, diejenigen ausschließen, die die Einschlusskriterien nicht erfüllen, und anschließend die vollständigen Texte der geeigneten Artikel zur weiteren Überprüfung lesen. Beseitigen Sie etwaige während dieses Prozesses auftretende Unstimmigkeiten durch einen Konsens mit einem dritten Autor.

4. Datenextraktionsmethode

  1. Extraktionsformular: Extrahieren Sie Daten mit einem standardisierten, pilotierten Formular, das in einer elektronischen Tabelle (Materialtabelle) erstellt wird.
  2. Datenpunkte: Verwenden Sie Variablen für die Analyse, die mit den vordefinierten Ergebnissen in den Inklusionskriterien übereinstimmen. Organisieren Sie jeden Artikel nach den grundlegenden Publikationsinformationen (Jahr, Land, Autor/Autoren), Teilnehmermerkmalen (Alter, Anzahl weiblicher Teilnehmerinnen, Stichprobengröße und Gruppenverteilung), Rekrutierungsstrategien, Details zu den Interventionsgruppen (verwendete Geräte für EMA, Art und Häufigkeit der gesammelten Daten, Lieferplattform, Rahmenwerk, Methoden, Inhalt, Dauer und menschlicher Beteiligung an EMI) sowie Ergebniskennzahlen.

5. Bewertung des Verzerrungsrisikos

  1. Bewertungsinstrument: Bewertung der ausgewählten Studien mit dem überarbeiteten Cochrane-Risiko-von-Bias-Tool für randomisierte Studien (RoB 2.0)30.
  2. Bewertungsbereiche: Bewerten Sie jede RCT anhand von fünf spezifischen Domänen auf Verzerrung: (1) Prozess der Randomisierung; (2) Abweichungen von geplanten Interventionen; (3) fehlende Ergebnisdaten; (4) Ergebnismessung; und (5) Auswahl des gemeldeten Ergebnisses30.
  3. Urteilsprozess: Setzen Sie für die Gesamtbewertung30 einen Verzerrungswert von 'geringes Risiko', 'einige Bedenken' oder 'hohes Risiko' zu. Um Fehler oder Verzerrungen zu minimieren, führen Sie die Bewertung unabhängig von zwei Autoren durch. Diskrepanzen zwischen den beiden Autoren und einem dritten Autor werden nach Bewertung des Verzerrungsrisikos in der jeweiligen Studie behoben.

6. Gewissheit der Beweisbewertung

  1. Bewertungsinstrument: Bewerten Sie die Sicherheit der Evidenz für alle gebündelten klinischen Ergebnisse unter Verwendung des Bewertungs-, Entwicklungs- und Evaluierungsrahmens (GRADE)31.
  2. Evidenzsicherheitsbewertungsbereiche: Bewerten Sie jedes Ergebnis anhand von fünf vordefinierten Domänen auf Evidenzherabstufung: (1) Risiko von Verzerrung, basierend auf den oben genannten RoB 2.0-Bewertungsergebnissen; (2) Inkonsistenz, definiert als wesentliche unerklärte Heterogenität zwischen den Studien; (3) Indirektheit, was sich auf Diskrepanzen zwischen eingeschlossenen Studien und der Kernfrage bezieht; (4) Ungenauigkeit, bestimmt durch die Gesamtstichprobengröße und die Breite von 95%-Konfidenzintervallen (KI); und (5) Publikationsbias, bewertet anhand von Funnelplot-Symmetrie- und Sensibilitätsanalysen31.
  3. Prozess der Beweissicherheit und Urteilsbeurteilung: Bewerten Sie zunächst die Evidenz aus den eingeschlossenen RCTs als hohe Sicherheit für alle Ergebnisse. Geben Sie nach vollständiger Bewertung in allen fünf Bereichen eine Endbewertung von hoch, mittler, niedrig oder sehr niedrigzu. Führen Sie die Bewertung unabhängig mit zwei Autoren durch und klären Sie eventuelle Unstimmigkeiten durch Konsensdiskussion mit einem dritten Autor.

7. Datensynthese- und Analyseplan

  1. Meta-Analyse-Software: Verwenden Sie spezialisierte Meta-Analyse-Software (Materialtabelle), um die Metaanalyse zur Bewertung der Wirksamkeit von EMIs durchzuführen.
  2. Effektmaße: Zusammenfassen der primären Endpunkte (HbA1c und BMI) anhand des mittleren Differenz (MD). Rechnen Sie HbA1c-Werte in eine einheitliche Einheit von mmol/mol um und drücken Sie den BMI in kg/m2 aus. Sekundäre Endpunkte (HRQoL) mit verschiedenen Skalen unter Verwendung des standardisierten Mittelwerts (SMD) repräsentieren. Berichte alle Effektschätzungen mit 95 % KI.
  3. Heterogenität und Modellauswahl: Bewerten Sie das Heterogenitätsniveau zwischen den Studien mittels des I2-Tests. Setzen Sie die Schwelle für die statistische Signifikanz bei einem zweiseitigen Wahrscheinlichkeitswert (p) < 0,05 fest. Wende das Fixed-Effect-Modell für die kombinierte Analyse an, wenn I2 <50 % (akzeptable Heterogenität) anweist. Wende das Random-Effect-Modell für die Analyse an, wenn ich2 ≥50 % bin.
  4. Zusätzliche Analysen: Führen Sie Sensitivitätsanalysen durch, indem einzelne Studien sequenziell ausgeschlossen werden, um deren Einfluss auf die Gesamtergebnisse zu bewerten, gemäß dem jüngsten Cochrane Handbook for Systematic Reviews of Interventions32. Vergleichen Sie Schätzungen von festen und zufälligen Effekten, um die Rolle von Effekten kleiner Studien in der Interventionseffektschätzung zu bewerten. Versuchen Sie, Untergruppenanalysen durchzuführen, um potenzielle Quellen der Heterogenität zu untersuchen und differenzielle Effekte basierend auf Studiendesignmerkmalen zu erkennen, basierend auf früheren relevanten Forschungen und den Interventionsmerkmalen von EMIs.
    HINWEIS: Gruppieren Sie Studien nach dem Kerninterventionsbereich der EMIs (Einzeldomäne vs. Multidomäne) und führen weitere explorative Analysen basierend auf der EMA-Häufigkeit (hoch vs. niedrig), menschlicher Beteiligung (d. h. ob die Intervention vollständig automatisiert war; ja vs. nein) und EMI-Dauer (≤3 Monate vs. >3 Monate) durch. Extrahieren Sie alle in diesen Analysen verwendeten Variablen direkt aus den eingeschlossenen Studien.
  5. Für Ergebnisse, die nicht mittels Metaanalyse zusammengefasst werden können (z. B. unzureichende Anzahl geeigneter Studien, unvollständige Daten zur Extraktion der Effektgröße), geben Sie eine beschreibende Zusammenfassung der Studienergebnisse. Präsentieren Sie diese Zusammenfassung ausschließlich als ergänzende explorative Inhalte, die kein evidenzbasiertes Gewicht zur Unterstützung klinisch leitender Schlussfolgerungen haben und nicht als formales Ergebnis berichtet werden.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Studienauswahl
Nach umfassenden Recherchen in verschiedenen Datenbanken wurden 2.691 Artikel identifiziert. Nach der Entfernung der doppelten Unterlagen (n = 633) wurden 2.058 verbleibende Aufzeichnungen auf Titel und Zusammenfassungen überprüft, und 2.029 wurden entfernt. Wir luden während der abschließenden Vorführung und einer detaillierteren Untersuchung 29 Volltextartikel herunter. Letztlich erfüllten nur 14 Artikel die vorgegebenen Kriterien (

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese systematische Übersichtsarbeit und Metaanalyse von 14 Studien zielte darauf ab, die Wirksamkeit von EMIs bei der Behandlung von T2DM zu bewerten (ergänzende Tabelle 4). Die Ergebnisse zeigen, dass EMIs HbA1c und BMI signifikant reduzierten. Dennoch wurde in den Studien erhebliche Heterogenität beobachtet, und Subgruppenanalysen bestätigten, dass Interventionskomponenten eine zentrale Quelle der Heterogenität sind. Multi-Domänen-Umfassende EMIs scheinen für die Glyk...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren erklären, dass sie keinen Interessenkonflikt haben.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Forschung wurde vom Forschungsprojekt der Sichuan Provincial Preventive Medicine Association Nr. SYYXHPT202417, das Forschungsplanungsprogramm Nr. SCSXLXH202402011 sowie das Provinzprojekt Medizinische Wissenschaft und Technologie der Provinz Sichuan Nr. 25LCYJ31.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
EndNote X9ClarivateOffizielle VersionDiese Software wurde zur Verwaltung bibliografischer Einträge und zur Entfernung von Duplikaten verwendet, die durch systematische Datenbanksuchen identifiziert wurden. Sie erleichterte die anfängliche Organisation der Verweise vor dem Screening-Prozess.
Review Manager 5.3 (RevMan 5.3) The Cochrane CollaborationOffizielle VersionDieses Programm diente als Hauptinstrument für die Durchführung der Metaanalyse. Es wurde verwendet, um alle statistischen Berechnungen durchzuführen, Forest-Plots für Ergebnisanalysen zu generieren und Bias-Risiko-Figuren zu erstellen.
Microsoft Excel MicrosoftOffizielle VersionIn dieser Tabellenkalkulation wurde ein standardisiertes Datenextraktionsformular erstellt. Es wurde verwendet, um relevante Daten aus jeder der eingeschlossenen Primärstudien systematisch zu sammeln und tabellarisch zu erfassen.

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Genitsaridi, I., et al. 11th edition of the IDF Diabetes Atlas: global, regional, and national diabetes prevalence estimates for 2024 and projections for 2050. Lancet Diabetes Endocrinol. 14 (2), 149-156 (2026).
  2. International Diabetes Federation. . IDF Diabetes Atlas. , (2025).
  3. Bommer, C., et al. The global economic burden of diabetes in adults aged 20-79 years: a cost-of-illness study. Lancet Diabetes Endocrinol. 5 (6), 423-430 (2017).
  4. Abdullah, A., Peeters, A., de Courten, M., Stoelwinder, J. The magnitude of association between overweight and obesity and the risk of diabetes: a meta-analysis of prospective cohort studies. Diabetes Res Clin Pract. 89 (3), 309-319 (2010).
  5. Wu, H., Ballantyne, C. M. Metabolic inflammation and insulin resistance in obesity. Circ Res. 126 (11), 1549-1564 (2020).
  6. Forbes, J. M., Cooper, M. E. Mechanisms of diabetic complications. Physiol Rev. 93 (1), 137-188 (2013).
  7. Polemiti, E., et al. BMI and BMI change following incident type 2 diabetes and risk of microvascular and macrovascular complications: the EPIC-Potsdam study. Diabetologia. 64 (4), 814-825 (2021).
  8. Sukartini, T., Nursalam, N., Pradipta, R. O., Ubudiyah, M. Potential methods to improve self-management in those with type 2 diabetes: A Narrative Review. Int J Endocrinol Metab. 21 (1), e119698 (2023).
  9. Moschonis, G., et al. Effectiveness, reach, uptake, and feasibility of digital health interventions for adults with type 2 diabetes: a systematic review and meta-analysis of randomised controlled trials. Lancet Digit Health. 5 (3), e125-e143 (2023).
  10. Kerr, D., et al. Digital interventions for self-management of type diabetes mellitus: systematic literature review and meta-analysis. J Med Internet Res. 26, e55757 (2024).
  11. Bodner, E., et al. Effect of multimodal app-based interventions on glycemic control in patients with Type 2 Diabetes: systematic review and meta-analysis. J Med Internet Res. 27, e54324 (2025).
  12. Krall, J. S., Childs, B., Mehrotra, N. Mobile applications to support diabetes self-management education: patient experiences and provider perspectives. J Diabetes Sci Technol. 17 (5), 1206-1211 (2023).
  13. Adu, M. D., Malabu, U. H., Malau-Aduli, A. E. O., Malau-Aduli, B. S. Enablers and barriers to effective diabetes self-management: A multi-national investigation. PLoS One. 14 (6), e0217771 (2019).
  14. Kim, J., Marcusson-Clavertz, D., Yoshiuchi, K., Smyth, J. M. Potential benefits of integrating ecological momentary assessment data into mHealth care systems. Biopsychosoc Med. 13, 19 (2019).
  15. Sim, R., Lee, S. W. H. Patient Preference and Satisfaction with the Use of Telemedicine for Glycemic Control in Patients with Type 2 Diabetes: A Review. Patient Prefer Adherence. 15, 283-298 (2021).
  16. Lee, J. Y., et al. Using telemedicine to support care for people with type 2 diabetes mellitus: a qualitative analysis of patients' perspectives. BMJ Open. 9 (10), e026575 (2019).
  17. Heron, K. E., Smyth, J. M. Ecological momentary interventions: incorporating mobile technology into psychosocial and health behaviour treatments. Br J Health Psychol. 15 (Pt 1), 1-39 (2010).
  18. Hirbod-Mobarakeh, A., et al. Ecological momentary interventions for bipolar disorder: a systematic review and meta-analysis. Soc Psychiatry Psychiatr Epidemiol. , (2025).
  19. Postma, M. R., et al. Working mechanisms of the use and acceptability of ecological momentary interventions: a realist evaluation of a guided self-help ecological momentary intervention targeting self-esteem. BMC Public Health. 24 (1), 1633 (2024).
  20. Dao, K. P., et al. Smartphone-Delivered Ecological Momentary Interventions Based on Ecological Momentary Assessments to Promote Health Behaviors: Systematic Review and Adapted Checklist for Reporting Ecological Momentary Assessment and Intervention Studies. JMIR Mhealth Uhealth. 9 (11), e22890 (2021).
  21. Schwabe, L., Wolf, O. T. Stress prompts habit behavior in humans. J Neurosci. 29 (22), 7191-7198 (2009).
  22. Otto, A. R., et al. Working-memory capacity protects model-based learning from stress. Proc Natl Acad Sci U S A. 110 (52), 20941-20946 (2013).
  23. Gardner, D. S. L., et al. Digital Health Technology in Diabetes Management in the Asia-Pacific Region: A Narrative Review of the Current Scenario and Future Outlook. Diabetes Ther. 16 (3), 349-369 (2025).
  24. Alòs, F., et al. Impact of a primary care-based mobile health intervention to 'sit less and move more' on HbA1c, blood pressure, and other clinical outcomes in office employees with type 2 diabetes: A randomized controlled trial. Prim Care Diabetes. 19 (5), 434-445 (2025).
  25. Brierley, M. L., et al. The Regulate Your Sitting Time (RESIT) intervention for reducing sitting time in individuals with type 2 diabetes: findings from a randomised-controlled feasibility trial. Diabetol Metab Syndr. 16 (1), 87 (2024).
  26. Shamanna, P., et al. Personalized nutrition in type 2 diabetes remission: application of digital twin technology for predictive glycemic control. Front Endocrinol (Lausanne). 15, 1485464 (2024).
  27. Page, M. J., et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 372, n71 (2021).
  28. Deng, L., Jia, L., Wu, X. L., Cheng, M. Association Between Body Mass Index and Glycemic Control in Type 2 Diabetes Mellitus: A Cross-Sectional Study. Diabetes Metab Syndr Obes. 18, 555-563 (2025).
  29. National Institutes of Health (NIH) Collaboratory Coordinating Center. Patient-Reported Outcomes. Rethinking Clinical Trials: A Living Textbook of Pragmatic Clinical Trials. , (2014).
  30. Sterne, J. A. C., et al. RoB 2: a revised tool for assessing risk of bias in randomised trials. BMJ. 366, l4898 (2019).
  31. Balshem, H., et al. GRADE guidelines: 3. Rating the quality of evidence. J Clin Epidemiol. 64 (4), 401-406 (2011).
  32. Higgins, J. P. T., et al. Cochrane Handbook for Systematic Reviews of Interventions version 6.5 (updated August 2024). Cochrane. , (2024).
  33. Hesketh, K., et al. Mobile Health Biometrics to Enhance Exercise and Physical Activity Adherence in Type 2 Diabetes (MOTIVATE-T2D): a decentralised feasibility randomised controlled trial delivered across the UK and Canada. BMJ Open. 15 (3), e092260 (2025).
  34. Bollyky, J. B., et al. Remote Lifestyle Coaching Plus a Connected Glucose Meter with Certified Diabetes Educator Support Improves Glucose and Weight Loss for People with Type 2 Diabetes. J Diabetes Res. 2018, 3961730 (2018).
  35. Levine, J. C., et al. Randomized trial of technology-assisted self-monitoring of blood glucose by low-income seniors: improved glycemic control in type 2 diabetes mellitus. J Behav Med. 39 (6), 1001-1008 (2016).
  36. Guo, M., et al. Effectiveness of mHealth management with an implantable glucose sensor and a mobile application among Chinese adults with type 2 diabetes. J Telemed Telecare. 29 (8), 632-640 (2023).
  37. Han, C. Y., et al. Telemedicine-assisted structured self-monitoring of blood glucose in the management of T2DM: results of a randomized clinical trial. BMC Med Inform Decis Mak. 23 (1), 182 (2023).
  38. Li, J., et al. Efficiency of an mHealth App and Chest-Wearable Remote Exercise Monitoring Intervention in Patients With Type 2 Diabetes: A Prospective, Multicenter Randomized Controlled Trial. JMIR Mhealth Uhealth. 9 (2), e23338 (2021).
  39. Ruissen, M. M., et al. Clinical impact of an integrated e-health system for diabetes self-management support and shared decision making (POWER2DM): a randomised controlled trial. Diabetologia. 66 (12), 2213-2225 (2023).
  40. Ku, E. J., et al. Clinical efficacy and plausibility of a smartphone-based integrated online real-time diabetes care system via glucose and diet data management: a pilot study. Intern Med J. 50 (12), 1524-1532 (2020).
  41. Lim, S., et al. Multifactorial intervention in diabetes care using real-time monitoring and tailored feedback in type 2 diabetes. Acta Diabetol. 53 (2), 189-198 (2016).
  42. Thorsen, I. K., et al. The Effects of a Lifestyle Intervention Supported by the InterWalk Smartphone App on Increasing Physical Activity Among Persons With Type 2 Diabetes: Parallel-Group, Randomized Trial. JMIR Mhealth Uhealth. 10 (9), e30602 (2022).
  43. Waki, K., et al. DialBetics: A Novel Smartphone-based Self-management Support System for Type 2 Diabetes Patients. J Diabetes Sci Technol. 8 (2), 209-215 (2014).
  44. Kolb, L. An Effective Model of Diabetes Care and Education: The ADCES7 Self-Care Behaviors. Sci Diabetes Self Manag Care. 47 (1), 30-53 (2021).
  45. Jin, P., et al. Time Perspective, Dietary Behavior, and Glycemic Control in Patients With Type 2 Diabetes. Nurs Res. 72 (6), 462-470 (2023).
  46. Visagie, E., Deacon, E., Kok, R. Exploring the thoughts, emotions, and behaviours related to the self-management practices of adults with type 2 diabetes. Health Psychol Open. 11, 20551029241278976 (2024).
  47. Despins, L. A., Wakefield, B. J. Making sense of blood glucose data and self-management in individuals with type 2 diabetes mellitus: A qualitative study. J Clin Nurs. 29 (13-14), 2572-2588 (2020).
  48. MacDonald, C., et al. Why exercise may never be effective medicine: an evolutionary perspective on the efficacy versus effectiveness of exercise in treating type 2 diabetes. Br J Sports Med. 59 (2), 118-125 (2025).
  49. Memelink, R. G., et al. Additional effects of exercise to hypocaloric diet on body weight, body composition, glycaemic control, and cardio-respiratory fitness in adults with overweight or obesity and type 2 diabetes: A systematic review and meta-analysis. Diabet Med. 40 (7), e15096 (2023).
  50. Yang, D., Yang, Y., Li, Y., Han, R. Physical Exercise as Therapy for Type 2 Diabetes Mellitus: From Mechanism to Orientation. Ann Nutr Metab. 74 (4), 313-321 (2019).
  51. Chen, Y., et al. Effect of Moderate and Vigorous Aerobic Exercise on Incident Diabetes in Adults With Obesity: A 10-Year Follow-up of a Randomized Clinical Trial. JAMA Intern Med. 183 (3), 272-275 (2023).
  52. Kothari, R., et al. A Longitudinal Evaluation of the Effects of Moderate Physical Activity on Health, Metabolic, and Physiological Parameters in Individuals With Type 2 Diabetes Mellitus: A Comprehensive Study. Cureus. 16 (8), e67370 (2024).
  53. Hanlon, P., et al. Self-management interventions for Type 2 Diabetes: systematic review protocol focusing on patient workload and capacity support. Wellcome Open Res. 6, 257 (2021).
  54. Fitch, K., Pyenson, B. S., Iwasaki, K. Medical claim cost impact of improved diabetes control for medicare and commercially insured patients with type 2 diabetes. J Manag Care Pharm. 19 (8), 609-620 (2013).
  55. Ab Rahman, N., et al. Medication regimen complexity and medication burden among patients with type 2 Diabetes Mellitus: a retrospective analysis. Front Pharmacol. 13, 808190 (2022).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

SelbstmanagementBlutzuckerkontrollegesundheitsbezogene Lebensqualit tmultidimensionale InterventionenDiabetesmanagement

Verwandte Artikel