Artículo de método

Efectos de las intervenciones ecológicas momentáneas sobre la hemoglobina glicada, el índice de masa corporal y la calidad de vida en personas con diabetes tipo 2: una revisión

DOI:

10.3791/70983

⸱

5 de mayo de 2026

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

En este artículo

Resumen

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

Esta revisión sistemática y metaanálisis evalúan la eficacia de las intervenciones ecológicas momentáneas en el control glucémico, el control del peso y la calidad de vida en personas con diabetes tipo 2.

Resumen

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

La prevalencia global de la diabetes mellitus tipo 2 (DT2) sigue aumentando. Un control eficaz de la glucosa y el peso en sangre son cruciales para el control de enfermedades y la mejora de la calidad de vida. Las intervenciones ecológicas momentáneas (EMI), que proporcionan apoyo personalizado en tiempo real basado en evaluaciones ecológicas momentáneas (EMA) de variables relevantes, ofrecen un enfoque prometedor para promover la autogestión adaptativa en la vida diaria. Buscamos sistemáticamente en cinco bases de datos desde su inicio hasta agosto de 2025. Los resultados primarios incluyeron hemoglobina glicada (HbA1c) e índice de masa corporal (IMC); los resultados secundarios abarcaron la calidad de vida relacionada con la salud física y mental (QRH). Se incluyeron catorce estudios, incluyendo un total de 1.873 participantes. En comparación con los controles, las EMI redujeron significativamente la HbA1c (DM = -0,71, IC 95%: -1,02 a -0,40, p < 0,001) y el IMC (DM = -1,08, IC 95%: -1,90 a -0,26, p = 0,01), con una heterogeneidad sustancial entre estudios (I2 = 84% y 92%, respectivamente). Los análisis de subgrupos mostraron efectos más consistentes para EMI comprensivos multidominio, mientras que los efectos de EMI de dominio único variaron según el contenido de la intervención. Las mensualidades también se asociaron con mejoras modestas en la física (DME = 0,37, IC 95%: 0,17 a 0,56, p < 0,001; I2 = 47%) y mental (DMS = 0,42, IC 95%: 0,15 a 0,68, p = 0,002; I2 = 0%) HRQoL. Estos hallazgos sugieren que las EMI, especialmente las estrategias integrales multidominio, parecen ser una intervención prometedora para el manejo de la DM2, pero la certeza general de la evidencia actual está limitada por una marcada heterogeneidad, un poder estadístico restringido en subgrupos y cierto riesgo de sesgo, lo que justifica una interpretación cautelosa de los resultados. La investigación futura debe priorizar diseños de alta calidad y evaluaciones exhaustivas de resultados.

Introducción

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

Se estima que había aproximadamente 589 millones de personas con diabetes en todo el mundo en 2024, y se prevé que esta cifra aumente a 853 millones para 2050. La diabetes mellitus tipo 2 (T2DM) representa aproximadamente entre el 90 y el 95% de todos los casos de diabetes, mientras que la diabetes supone una carga económica anual de casi 1,015 billones de dólares estadounidenses a nivelglobal, ejerciendo una presión considerable sobre los sistemas sanitarios de todoel mundo. Un control eficaz de la glucosa en sangre es esencial para reducir la carga de la enfermedad causada por la DM2 y mejorar la calidad de vida de las personas con DM2. Cabe destacar que más del 60% de las personas con diabetes tipo 2 también tienen sobrepeso u obesidad4; un índice de masa corporal (IMC) elevado agrava la resistencia a la insulina y complica el controlglucémico 5. Un mal manejo de la glucosa en sangre y del peso corporal aumentará significativamente el riesgo de complicaciones microvasculares y macrovasculares, lo que puede conducir a resultados clínicos potencialmentemortales 6,7. Sin embargo, lograr un control glucémico y de peso óptimos depende fundamentalmente de comportamientos efectivos de autogestión diaria por parte de las personas, incluyendo, pero no limitándose a, el control de la glucosa en sangre, los ajustes dietéticos, la actividad física y la adherencia a lamedicación 8. Estas prácticas son vitales para reducir los riesgos relacionados con enfermedades y optimizar los resultados a largo plazo.

En los últimos años, la tecnología se ha utilizado cada vez más para apoyar la autogestión y mejorar la adherencia al tratamiento en personas con diabetes tipo 2. En comparación con las intervenciones tradicionales, el asesoramiento telefónico actualmente disponible, el servicio de mensajes cortos (SMS) u otras plataformas digitales han mejorado en cierta medida la accesibilidad y continuidad de los servicios sanitarios 9,10,11. Sin embargo, cuando las personas se enfrentan a la toma de decisiones inmediatas o a desafíos como baja motivación o conocimiento limitado en la vida diaria, los modelos de interacción fija aún carecen de la capacidad de proporcionar apoyo en tiempo real y relevante parael contexto 12,13. En particular, algunos programas aún dependen de autoinformes retrospectivos o evaluaciones clínicas con intervalos largos, que son insuficientes para captar la naturaleza dinámica y contextual de la experiencia T2DM, por lo que no ofrecen apoyo personalizado14. Por lo tanto, en el contexto cambiante de la telemedicina, cómo satisfacer mejor las necesidades de las personas con diabetes tipo 2 para obtener retroalimentación personalizada y en tiempo real que fomente su participación efectiva en la autogestión de la diabetes sigue siendo un tema urgente aabordar 15,16.

Las intervenciones ecológicas momentáneas (EMI) se refieren a una estrategia de apoyo conductual que utiliza tecnología digital para ofrecer retroalimentación en tiempo real y personalizada en los entornos naturales de laspersonas 17,18. Su característica clave es la capacidad de proporcionar intervenciones adaptativas cuando ocurren conductas poco saludables o de alto riesgo, basándose en datos recogidos por evaluaciones momentáneas ecológicas (EMAs), superando así las limitaciones de los protocolos de tratamientopredeterminados 19. En este estudio, aclaramos una definición operativa de EMI en el presente estudio basada en descripciones centrales de EMI de la literaturaexistente 17,20, con tres requisitos mínimos necesarios para los estudios incluidos: (1) Las intervenciones se imparten a través de plataformas digitales o electrónicas en los entornos de vida diaria de los participantes y son accesibles durante sus actividades rutinarias, en lugar de limitarse a entornos clínicos o supervisados; (2) La información se obtiene mediante EMAs, que capturan cambios momentáneos en el estado relevante de las personas en la vida diaria, y estos datos se utilizan para guiar la prestación de intervenciones cuando se necesita apoyo; (3) Las intervenciones deben proporcionar retroalimentación adaptativa y personalizada o apoyo conductual en respuesta a los datos recopilados de EMA, en lugar de depender únicamente de contenido preestablecido y no personalizado que no está relacionado con los resultados individuales de la evaluación. Teóricamente, al integrarse de forma fluida en la vida diaria y ajustar dinámicamente las estrategias de apoyo según los cambios en tiempo real, las EMI pueden reforzar la relevancia y eficacia de lasintervenciones 20. Tiene potencial para facilitar el cambio de conductas habituales a conductas orientadas a objetivos y mejorar la autogestión de laenfermedad 21,22. Como forma de intervención en salud digital, las EMI pueden ser especialmente adecuadas para personas con conocimientos básicos de alfabetización digital y acceso a dispositivos inteligentes, que pueden beneficiarse de apoyo en tiempo real para las decisiones diarias de gestión de la diabetes tipo 2, especialmente en entornos donde el acceso al apoyo presencial regular eslimitado al 23 años. Sin embargo, probablemente sean menos apropiados para personas que se sienten incómodas usando dispositivos inteligentes y para quienes tienen preocupaciones sobre la privacidadde los datos 17.

Cada vez más estudios han comenzado a explorar la aplicación de las EMI en la gestión de la DMT2. La mayoría de estas intervenciones se centran en proporcionar orientación inmediata sobre el estilo de vida (por ejemplo, control calórico en la dieta, ajuste de intensidad del ejercicio) mediante la captura de datos dinámicos en tiempo real (por ejemplo, glucosa en sangre, dieta, actividad física) deindividuos 24,25,26. Se consideran prometedoras para promover el control glucémico y el control del peso entre personas con diabetes tipo 2, proporcionando evidencia objetiva y cuantificable para evaluar la eficacia de las EMI. Algunos estudios también han evaluado el impacto de las EMI en los resultados reportados por los pacientes para comprender plenamente sus beneficios globales. Sin embargo, hasta la fecha no ha habido una integración ni evaluación sistemática de estos hallazgos. Además, los estudios EMI existentes muestran diferencias significativas en las estrategias de intervención para la DM 2 y en el diseño de contenidos, y hay una falta de debate sobre su viabilidad clínica. Por ello, esta revisión sistemática y metaanálisis tienen como objetivo evaluar la eficacia de las EMI sobre los resultados clínicamente relevantes en personas con DT2, proporcionando evidencia para la optimización y promoción de EMI en el manejo de la DT2.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

La revisión sistemática y el metaanálisis se realizaron siguiendo las directrices PRISMA (Tabla Suplementaria 1)27. El protocolo para esta revisión se registró en PROSPERO: No. CRD420251132100.

1. Estrategia de búsqueda

  1. Selección de bases de datos: Realizar un enfoque sistemático en cinco bases de datos electrónicas principales: PubMed, Cochrane Library, Embase, Web of Science y Scopus. Asegúrate de que la búsqueda abarque todos los registros desde el inicio de la base de datos hasta agosto de 2025.
  2. Desarrollo de términos de búsqueda: Utiliza una combinación de términos de encabezados médicos (MeSH) y palabras clave de texto libre. Incluye conceptos clave como "diabetes mellitus tipo 2", "intervención ecológica momentánea" y "ensayo controlado aleatorizado". Combina estos términos usando operadores booleanos apropiados (AND, OR).
  3. Ejecución de la búsqueda: Adapta la sintaxis de búsqueda construida a los requisitos específicos de cada base de datos. Proporciona la estrategia de búsqueda detallada en la Tabla Suplementaria 2.

2. Aplicación de criterios de elegibilidad

  1. Criterios de inclusión: (1) Población: adultos (edad ≥18 años) diagnosticados con diabetes tipo 2, independientemente del género; (2) Intervención: EMI administradas mediante herramientas habilitadas por tecnología (por ejemplo, smartphones, aplicaciones móviles, sensores, dispositivos portátiles) que proporcionan retroalimentación y apoyo en tiempo real en atención primaria rutinaria o en entornos domésticos; (3) Comparación: atención habitual, atención estándar o intervenciones sin componentes relacionados con EMI (por ejemplo, automonitorización tradicional y guía sin retroalimentación en tiempo real); (4) Resultados: la hemoglobina glicada (HbA1c) es el estándar de oro para evaluar el control glucémico a largo plazo en personas con diabetes tipo 2 (DT2), y el IMC es un indicador clave para evaluar el control del peso y el estado metabólico estrechamente asociado con la progresión de la diabetes tipo2 (2,28). La calidad de vida relacionada con la salud (QQR) es un resultado importante reportado por los pacientes para evaluar el impacto de las intervenciones en la salud y elbienestar 29. Por lo tanto, selecciona HbA1c y IMC como resultados principales y define la HRQoL reportada por el paciente como el resultado secundario. (5) Tipo de estudio: ensayos controlados aleatorizados (ECA).
    NOTA: Para reflejar de forma más completa los posibles beneficios de la intervención, planeamos extraer otros resultados subjetivos reportados por los pacientes relacionados con la autogestión para análisis complementarios exploratorios adicionales. Por lo tanto, se exige que los estudios elegibles informen al menos uno de los siguientes resultados: HbA1c (medido en porcentaje o mmol/mol), IMC (kg/m 2) o resultados reportados por los pacientes (por ejemplo, actividades de autocuidado de la diabetes o QRH);
  2. Criterios de exclusión: Excluir los estudios que cumplan cualquiera de los siguientes criterios: (1) informen de los objetivos objetivo pero no proporcionen resultados estadísticos correspondientes para referencia, o que no dispongan de texto completo; (2) informar de datos duplicados; (3) inscribir a mujeres embarazadas o lactantes con diabetes tipo 2.

3. Procedimiento de selección de estudios

  1. Gestión de registros: Importar todos los registros de literatura identificados en un software de gestión de referencias (Tabla de Materiales) para facilitar la eliminación de registros duplicados.
  2. Proceso de selección: Realizar esta tarea a ciegas, con dos autores revisando de forma independiente los títulos y resúmenes de los artículos, excluyendo aquellos que no cumplan los criterios de inclusión, y luego leyendo los textos completos de los artículos elegibles para su posterior verificación. Resuelve cualquier discrepancia que surja durante este proceso mediante consenso con un tercer autor.

4. Método de extracción de datos

  1. Formulario de extracción: Extraer datos utilizando un formulario estandarizado y pilotado creado en una hoja de cálculo electrónica (Tabla de Materiales).
  2. Puntos de datos: Utilizar variables para el análisis que sean consistentes con los resultados predefinidos especificados en los criterios de inclusión. Organizar cada artículo según la información básica de publicación (año, país, autores), características de los participantes (edad, número de participantes, tamaño de la muestra y distribución de grupos), estrategias de reclutamiento, detalles de los grupos de intervención (dispositivos utilizados para EMA, tipos y frecuencia de datos recogidos, plataforma de entrega, marco, métodos, contenido, duración y participación humana para EMI) y medidas de resultado.

5. Evaluación del riesgo de sesgo

  1. Herramienta de evaluación: Evalúe los estudios seleccionados utilizando la herramienta revisada de riesgo de sesgo de Cochrane para ensayos aleatorizados (RoB 2.0)30.
  2. Dominios de evaluación: Evaluar cada ECA en comparación con cinco dominios específicos para detectar sesgos: (1) proceso de aleatorización; (2) desviaciones respecto a las intervenciones planificadas; (3) falta de datos de resultados; (4) medición de resultados; y (5) selección del resultadoreportado 30.
  3. Proceso de juicio: Asigna un valor de sesgo de 'bajo riesgo', 'algunas preocupaciones' o 'alto riesgo' para la calificaciónglobal 30. Para minimizar errores o sesgos, realiza la evaluación de forma independiente por dos autores. Resuelve las discrepancias entre los dos autores con un tercer autor tras evaluar el riesgo de sesgo en el estudio específico.

6. Certeza de la evaluación de la evidencia

  1. Herramienta de evaluación: Evaluar la certeza de la evidencia para todos los resultados clínicos agrupados utilizando el marco de evaluación por clasificación de recomendaciones, desarrollo y evaluación (GRADE) 31.
  2. Dominios de evaluación de la certeza de la evidencia: Evaluar cada resultado en comparación con cinco dominios predefinidos para la degradación de la evidencia: (1) riesgo de sesgo, informado por los resultados mencionados de la evaluación RoB 2.0; (2) inconsistencia, definida como una heterogeneidad sustancial inexplicada entre estudios; (3) indirectidad, que se refiere a desajustes entre los estudios incluidos y la pregunta central de investigación; (4) imprecisión, determinada por el tamaño total de la muestra y el ancho de los intervalos de confianza (IC) del 95%; y (5) sesgo de publicación, evaluado mediante análisis de simetría y sensibilidad del diagramaembudo 31.
  3. Proceso de juicio de certeza de evidencia: Inicialmente califiquen la evidencia de los ECA incluidos como de alta certeza para todos los resultados. Asignar una calificación final de alta, moderada, baja o muy baja tras una evaluación completa en los cincodominios 31. Completar la evaluación de forma independiente con dos autores y resolver cualquier discrepancia mediante una discusión consensuada con un tercer autor.

7. Plan de síntesis y análisis de datos

  1. Software de metaanálisis: Utiliza software especializado de metaanálisis (Tabla de Materiales) para realizar el metaanálisis y así evaluar la eficacia de las EMIs.
  2. Medidas de efecto: Resume los resultados primarios (HbA1c e IMC) utilizando la diferencia media (DM). Convierte los valores de HbA1c a una unidad uniforme de mmol/mol y expresa el IMC en kg/m 2. Representan los resultados secundarios (HRQoL) que involucran varias escalas utilizando la diferencia de medias estandarizada (DMS). Informa de todas las estimaciones de efecto con IC del 95%.
  3. Heterogeneidad y selección de modelos: Evalúa el nivel de heterogeneidad entre los estudios mediante la prueba I2 . Establecer el umbral de significación estadística en un valor de probabilidad (p) de dos colas < 0,05. Aplica el modelo de efectos fijos para el análisis combinado si I2 <50% (heterogeneidad aceptable). Aplica el modelo de efectos aleatorios para el análisis si tengo2 ≥50%.
  4. Análisis adicionales: Realizar análisis de sensibilidad excluyendo secuencialmente estudios individuales para evaluar su influencia en los resultados globales, según el manual Cochrane más reciente para revisiones sistemáticas deintervenciones 32. Comparar estimaciones de efectos fijos y aleatorios para evaluar el papel de los efectos de pequeños estudios en la estimación del efecto de la intervención. Intentar realizar análisis de subgrupos para investigar posibles fuentes de heterogeneidad y detectar efectos diferenciales basándose en las características del diseño del estudio, basándose en investigaciones previas relevantes y en las características de intervención de las EMIs.
    NOTA: Estudios en grupo por el dominio central de intervención de EMI (dominio único vs. multidominio), y realizar análisis exploratorios adicionales basados en la frecuencia de EMA (alta vs. baja), la implicación humana (es decir, si la intervención fue totalmente automatizada; sí vs. no) y la duración de EMI (≤3 meses vs. >3 meses). Extrae todas las variables utilizadas en estos análisis directamente de los estudios incluidos.
  5. Para los resultados que no pueden agruparse mediante metaanálisis (por ejemplo, número insuficiente de estudios elegibles, datos incompletos para la extracción del tamaño del efecto), proporciona un resumen descriptivo de los hallazgos del estudio. Presenta este resumen únicamente como contenido exploratorio complementario que no tiene peso probatorio para respaldar conclusiones clínicamente orientadoras y que no se reporta como un resultado formal.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

Selección de estudios
Tras búsquedas exhaustivas en diversas bases de datos, se identificaron 2.691 artículos. Tras la eliminación de registros duplicados (n = 633), se revisaron 2.058 registros restantes en busca de títulos y resúmenes, y se eliminaron 2.029. Descargamos 29 artículos en texto completo durante la proyección final y una investigación más detallada. Finalmente, solo 14 artículos cumplieron los criterios predeterminados (Fig...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

Esta revisión sistemática y metaanálisis de 14 estudios tuvo como objetivo evaluar la eficacia de las EMI en el manejo de la DMT 2 (Tabla Suplementaria 4). Los resultados indican que las EMI redujeron significativamente la HbA1c y el IMC. No obstante, se observó una considerable heterogeneidad entre los estudios, y los análisis de subgrupos confirmaron que los componentes de intervención eran una fuente clave de heterogeneidad. Las EMI integrales multidominio parecen más...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Los autores declaran que no tienen conflicto de intereses.

Agradecimientos

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

Esta investigación fue financiada por el Proyecto de Investigación de la Asociación Provincial de Medicina Preventiva de Sichuan nº SYYXHPT202417, el Programa de Planificación de Investigación de la Sociedad de Psicología de la Provincia de Sichuan nº SCSXLXH202402011, y el Proyecto Provincial de Ciencia y Tecnología Médica de Sichuan nº 25LCYJ31.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
EndNote X9ClarivateVersión oficialEste software se utilizó para gestionar registros bibliográficos y eliminar citas duplicadas identificadas a través de búsquedas sistemáticas en bases de datos. Facilitó la organización inicial de las referencias antes del proceso de selección.
Review Manager 5.3 (RevMan 5.3) The Cochrane CollaborationVersión oficialEste programa sirvió como la herramienta principal para realizar el metaanálisis. Se utilizó para realizar todos los cálculos estadísticos, generar gráficos forest para análisis de resultados y crear figuras de riesgo de sesgo.
Microsoft Excel MicrosoftVersión oficialSe creó un formulario de extracción de datos estandarizado en este software de hojas de cálculo. Se utilizó para recopilar y tabular sistemáticamente datos relevantes de cada uno de los estudios primarios incluidos.

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Autogesti ncontrol de la glucosa en sangrecalidad de vida relacionada con la saludintervenciones multidominiocontrol de la diabetes

Artículos relacionados