Article de méthode

Effets des interventions écologiques momentanées sur l’hémoglobine glyquée, l’indice de masse corporelle et la qualité de vie chez les personnes atteintes de diabète de type 2 : un examen

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

Dans cet article

Résumé

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

Cette revue systématique et cette méta-analyse évaluent l’efficacité des interventions écologiques momentanées sur le contrôle glycémique, la gestion du poids et la qualité de vie chez les personnes atteintes de diabète de type 2.

Résumé

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

La prévalence mondiale du diabète sucré de type 2 (DT2) continue d’augmenter. Une gestion efficace de la glycémie et du poids est cruciale pour le contrôle des maladies et l’amélioration de la qualité de vie. Les interventions écologiques momentanées (EMI), qui fournissent un soutien personnalisé en temps réel basé sur des évaluations écologiques momentanées (EMA) des variables pertinentes, offrent une approche prometteuse pour promouvoir l’autogestion adaptative dans la vie quotidienne. Nous avons systématiquement recherché cinq bases de données depuis la création jusqu’en août 2025. Les critères principaux comprenaient l’hémoglobine gglycée (HbA1c) et l’indice de masse corporelle (IMC) ; les critères secondaires concernaient la qualité de vie liée à la santé physique et mentale (QQRH). Quatorze études, dont un total de 1 873 participants, ont été incluses. Comparées aux témoins, les EMI ont significativement réduit l’HbA1c (DM = -0,71, IC 95 % : -1,02 à -0,40, p < 0,001) et l’IMC (DM = -1,08, IC à 95 % : -1,90 à -0,26, p = 0,01), avec une hétérogénéité importante entre les études (I2 = 84 % et 92 %, respectivement). Les analyses de sous-groupes ont montré des effets plus constants pour les EMI globales multi-domaines, tandis que les effets des EMI à domaine unique variaient selon le contenu de l’intervention. Les EMI étaient également associées à des améliorations modestes de la physique (DMS = 0,37, IC à 95 % : 0,17 à 0,56, p < 0,001 ; I2 = 47 %) et mentale (DMS = 0,42, IC à 95 % : 0,15 à 0,68, p = 0,002 ; I2 = 0 %) QRH. Ces résultats suggèrent que les EMI, en particulier les stratégies complètes multi-domaines, semblent être une intervention prometteuse pour la gestion du DT2DM, mais la certitude globale des preuves actuelles est limitée par une hétérogénéité marquée, un pouvoir statistique limité dans les sous-groupes et un certain risque de biais, ce qui justifie une interprétation prudente des résultats. Les recherches futures devraient privilégier des conceptions de haute qualité et des évaluations complètes des résultats.

Introduction

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

On estime qu’il y avait environ 589 millions de personnes diabétiques dans le monde en 2024, et ce nombre devrait atteindre 853 millions d’ici 2050. Le diabète sucré de type 2 (DT2DM) représente environ 90 à 95 % de tous les cas de diabète, tandis que le diabète impose un fardeau économique annuel de près de 1,015 billion de dollars américains dans lemonde 2, exerçant une pression considérable sur les systèmes de santé du mondeentier 3. Une gestion efficace de la glycémie est essentielle pour réduire la charge de la maladie liée au DT2 et améliorer la qualité de vie des personnes atteintes de DT2. Notamment, plus de 60 % des personnes atteintes de diabèse de type 2 ont également un surpoids ou de l’obésité4 ; un indice de masse corporelle (IMC) élevé aggrave la résistance à l’insuline et complique le contrôleglycémique 5. Une mauvaise gestion de la glycémie et du poids corporel augmente significativement le risque de complications microvasculaires et macrovasculaires, pouvant entraîner des résultats cliniques potentiellementmortels 6,7. Cependant, atteindre un contrôle optimal de la glycémie et du poids dépend fondamentalement de comportements quotidiens efficaces d’autogestion chez les individus, y compris, mais sans s’y limiter, la surveillance de la glycémie, les ajustements alimentaires, l’activité physique et l’adhésion aux médicaments8. Ces pratiques sont essentielles pour réduire les risques liés aux maladies et optimiser les résultats à long terme.

Ces dernières années, la technologie a été de plus en plus utilisée pour soutenir l’autogestion et améliorer l’adhésion au traitement chez les personnes atteintes de diabète de type 2. Comparé aux interventions traditionnelles, le conseil téléphonique, le service de messagerie courte (SMS) ou d’autres plateformes numériques actuellement disponibles ont amélioré l’accessibilité et la continuité des services de santé dans une certainemesure 9, 10, 11. Cependant, lorsque les individus font face à une prise de décision immédiate ou à des défis tels qu’une faible motivation ou des connaissances limitées dans la vie quotidienne, les modèles d’interaction fixe ne peuvent toujours pas fournir un soutien en temps réel et pertinent pourle contexte 12,13. En particulier, certains programmes reposent encore sur des auto-rapports rétrospectifs ou des évaluations cliniques à intervalles longs, insuffisants pour saisir la nature dynamique et contextuelle de l’expérience T2DM, ne fournissant donc pas un accompagnement personnalisé14. Ainsi, dans le contexte évolutif de la télémédecine, la manière de mieux répondre aux besoins des personnes atteintes de DT2 pour un retour personnalisé et en temps réel afin de promouvoir leur participation efficace à l’autogestion du diabète reste une question urgente àtraiter 15,16.

Les interventions écologiques momentanées (EMI) désignent une stratégie de soutien comportemental qui utilise la technologie numérique pour fournir un retour en temps réel et personnalisé dans les environnements naturels desindividus 17,18. Sa caractéristique clé est la capacité à fournir des interventions adaptatives lorsque des comportements malsains ou à haut risque surviennent, sur la base des données recueillies par des évaluations écologiques momentanées (EMA) — surmontant ainsi les limites des protocoles de traitementprédéterminés 19. Dans cette étude, nous avons clarifié une définition opérationnelle de l’EMI dans la présente étude basée sur les descriptions principales de l’EMI issues de la littératureexistante 17,20, avec trois exigences minimales nécessaires pour les études incluses : (1) Les interventions sont dispensées via des plateformes numériques ou électroniques dans les environnements de vie quotidiens des participants et sont accessibles lors de leurs activités routinières, plutôt que limitées à des contextes cliniques ou supervisés ; (2) Les informations sont obtenues via des EMA, qui capturent les changements momentanés dans les états pertinents de chaque individu dans la vie quotidienne, et ces données sont utilisées pour guider la mise en œuvre des interventions lorsque le soutien est nécessaire ; (3) Les interventions doivent fournir un retour d’information adaptatif et personnalisé ou un soutien comportemental en réponse aux données EMA collectées, plutôt que de se reposer uniquement sur un contenu prédéfini, non adapté, sans lien avec les résultats individuels de l’évaluation. Théoriquement, en s’intégrant harmonieusement dans la vie quotidienne et en ajustant dynamiquement les stratégies de soutien selon les changements en temps réel, les EMI peuvent renforcer la pertinence et l’efficacité desinterventions 20. Il promet de faciliter le passage des comportements habituels à des comportements orientés vers des objectifs et pour améliorer l’autogestion de lamaladie 21,22. En tant que forme d’intervention en santé numérique, les EMI peuvent être particulièrement adaptées aux personnes ayant une culture numérique de base et un accès à des appareils intelligents, qui peuvent bénéficier d’un support en temps réel pour les décisions quotidiennes de gestion du DT2DM, en particulier dans des contextes où l’accès à un soutien régulier en présentiel estlimité à 23 ans. Cependant, ils sont probablement moins adaptés aux personnes mal à l’aise avec l’utilisation des appareils intelligents, et à celles qui s’inquiètent de la confidentialité desdonnées 17.

Un nombre croissant d’études ont commencé à explorer l’application des EMI dans la gestion des DT2DM. La plupart de ces interventions visent à fournir des conseils immédiats sur le mode de vie (par exemple, contrôle calorique alimentaire, ajustement de l’intensité de l’exercice) en recueillant des données dynamiques en temps réel (par exemple, glycémie, régime, activité physique) auprès desindividus 24, 25, 26. Ils sont considérés comme prometteurs pour promouvoir le contrôle glycémique et la gestion du poids chez les personnes atteintes de DT2, fournissant des preuves objectives et quantifiables pour évaluer l’efficacité des EMI. Certaines études ont également évalué l’impact des EMI sur les résultats rapportés par les patients afin de bien comprendre leurs bénéfices globaux. Cependant, aucune intégration et évaluation systématique de ces résultats n’a été réalisée à ce jour. De plus, les études EMI existantes présentent des différences significatives dans les stratégies d’intervention et la conception du contenu pour le DT2DM, et il y a un manque de discussion sur leur faisabilité clinique. Ainsi, cette revue systématique et cette méta-analyse visent à évaluer l’efficacité des EMI sur les résultats cliniquement pertinents chez les personnes atteintes de DT2, fournissant des preuves pour l’optimisation et la promotion des EMI dans la prise en charge de la DT2DM.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

La revue systématique et la méta-analyse ont été réalisées selon les directives PRISMA (Tableau Supplémentaire 1)27. Le protocole pour cette revue a été enregistré dans PROSPERO : Non. CRD420251132100.

1. Stratégie de recherche

  1. Sélection des bases de données : Effectuer une approche systématique sur cinq grandes bases de données électroniques : PubMed, Cochrane Library, Embase, Web of Science et Scopus. Assurez-vous que la recherche couvre tous les enregistrements depuis la création de la base de données jusqu’en août 2025.
  2. Développement des termes de recherche : Utilisez une combinaison de termes de sujets médicaux (MeSH) et de mots-clés en texte libre. Incluez des concepts clés tels que « diabète sucré de type 2 », « intervention écologique momentanée » et « essai contrôlé randomisé ». Combinez ces termes en utilisant des opérateurs booléens appropriés (AND, OR).
  3. Exécution de la recherche : Adaptez la syntaxe de recherche construite aux besoins spécifiques de chaque base de données. Fournir la stratégie de recherche détaillée dans le Tableau Supplémentaire 2.

2. Application des critères d’éligibilité

  1. Critères d’inclusion : (1) Population : adultes (âge ≥18 ans) diagnostiqués avec un DT2, quel que soit leur sexe ; (2) Intervention : EMI délivrées via des outils technologiques (par exemple, smartphones, applications mobiles, capteurs, appareils portables) qui fournissent un retour et un soutien en temps réel dans les soins primaires ou à domicile de routine ; (3) Comparaison : soins habituels, soins standards ou interventions sans composantes liées aux EMI (par exemple, auto-surveillance traditionnelle et guidage sans retour en temps réel) ; (4) Résultats : l’hémoglobine glyquée (HbA1c) est la référence pour évaluer le contrôle glycémique à long terme chez les personnes atteintes deDT2DM, et l’IMC est un indicateur clé pour évaluer la gestion du poids et l’état métabolique, étroitement associé à la progression duDT2DM 2,28. La qualité de vie liée à la santé (QRH) est un critère important rapporté par les patients pour évaluer l’impact des interventions sur la santé et lebien-être 29. Par conséquent, sélectionnez l’HbA1c et l’IMC comme critères principaux, et définissez la QQFC rapportée par les patients comme résultat secondaire. (5) Type d’étude : essais contrôlés randomisés (ECR).
    REMARQUE : Pour refléter de manière plus complète les bénéfices potentiels de l’intervention, nous prévoyons d’extraire d’autres résultats subjectifs rapportés par les patients liés à l’autogestion pour des analyses complémentaires exploratoires supplémentaires. En conséquence, exiger que les études éligibles rapportent au moins l’un des résultats suivants : HbA1c (mesuré en % ou mmol/mol), IMC (kg/m 2), ou résultats rapportés par les patients (par exemple, activités de soins personnels sur le diabète ou QRH) ;
  2. Critères d’exclusion : Exclure les études qui répondent à l’un des critères suivants : (1) rapportent les résultats cibles mais ne fournissent pas de résultats statistiques correspondants à titre de référence, ou ne disposent pas d’un texte intégral disponible ; (2) signaler les données en double ; (3) inscrire des femmes enceintes ou allaitantes atteintes de diabète de type 2.

3. Procédure de sélection des études

  1. Gestion des documents : Importez tous les documents de littérature identifiés dans un logiciel de gestion de référence (Table of Materials) pour faciliter la suppression des doublons.
  2. Processus de sélection : Effectuez cette tâche à l’aveugle, avec deux auteurs qui examinent indépendamment les titres et résumés des articles, à l’exception de ceux qui ne répondent pas aux critères d’inclusion, puis lisez les textes complets des articles éligibles pour une vérification ultérieure. Résoudre toute divergence survenant durant ce processus par consensus avec un troisième auteur.

4. Méthode d’extraction des données

  1. Formulaire d’extraction : extraire les données à l’aide d’un formulaire standardisé et piloté créé dans un tableau électronique (Table of Materials).
  2. Points de données : Utilisez des variables d’analyse cohérentes avec les résultats prédéfinis spécifiés dans les critères d’inclusion. Organiser chaque article selon les informations de base de publication (année, pays, auteur(s), les caractéristiques des participants (âge, nombre de participantes, taille de l’échantillon et répartition des groupes), les stratégies de recrutement, les détails des groupes d’intervention (dispositifs utilisés pour l’EMA, types et fréquences des données collectées, plateforme de diffusion, cadre, méthodes, contenu, durée et implication humaine pour l’EMI), ainsi que les mesures de résultats.

5. Évaluation du risque de biais

  1. Outil d’évaluation : Évaluer les études sélectionnées à l’aide de l’outil révisé de risque de biais de Cochrane pour les essais randomisés (RoB 2.0)30.
  2. Domaines d’évaluation : Évaluer chaque ECR selon cinq domaines spécifiques pour détecter les biais : (1) processus de randomisation ; (2) des écarts par rapport aux interventions prévues ; (3) manquantes données de résultats ; (4) la mesure des résultats ; et (5) sélection du résultatrapporté 30.
  3. Processus de jugement : Attribuez une valeur de biais de « faible risque », « certaines préoccupations » ou « haut risque » pour la noteglobale de 30. Pour minimiser les erreurs ou les biais, réalisez l’évaluation de manière indépendante par deux auteurs. Résoudre les divergences entre les deux auteurs avec un troisième auteur après avoir évalué le risque de biais dans l’étude spécifique.

6. Certitude de l’évaluation des preuves

  1. Outil d’évaluation : Évaluer la certitude des preuves pour tous les résultats cliniques regroupés en utilisant le cadre GRADE (Grading of Recommendations, Evaluation, Development, and Evaluation) 31.
  2. Domaines d’évaluation de la certitude des preuves : Évaluer chaque résultat selon cinq domaines prédéfinis pour la rétrogradation des preuves : (1) risque de biais, informé des résultats de l’évaluation RoB 2.0 mentionnés précédemment ; (2) l’incohérence, définie comme une hétérogénéité substantielle inexpliquée entre les études ; (3) l’indirectité, faisant référence aux inadéquations entre les études incluses et la question de recherche centrale ; (4) imprécision, déterminée par la taille totale de l’échantillon et la largeur des intervalles de confiance (IC) à 95 % ; et (5) biais de publication, évalué via symétrie et analyses de sensibilité du diagramme d’entonnoir31.
  3. Processus de jugement de la certitude des preuves : Classez initialement les preuves des ECR incluses comme étant de haute certitude pour tous les résultats. Attribuer une note finale de élevée, modérée, faible ou très faible après évaluation complète dans les cinq domaines31. Réaliser l’évaluation de manière indépendante avec deux auteurs, et résoudre les écarts par une discussion consensuelle avec un troisième auteur.

7. Plan de synthèse et d’analyse des données

  1. Logiciels de méta-analyse : Utilisez des logiciels spécialisés de méta-analyse (Table of Materials) pour réaliser la méta-analyse afin d’évaluer l’efficacité des EMI.
  2. Mesures d’effet : Résumez les critères principaux (HbA1c et IMC) en utilisant la différence moyenne (DM). Convertir les valeurs de HbA1c en une unité uniforme de mmol/mol, et exprimer l’IMC en kg/m 2. Représentent les résultats secondaires (QSR) impliquant différentes échelles en utilisant la différence moyenne standardisée (DMS). Déclarez toutes les estimations d’effet avec des IC à 95 %.
  3. Hétérodégenéité et sélection du modèle : Évaluer le niveau d’hétérogénéité entre les études via le test I2 . Établir le seuil de signification statistique à une probabilité à deux queues (p) < 0,05. Appliquer le modèle à effets fixes pour l’analyse combinée si I2 <50 % (hétérogénéité acceptable). Appliquez le modèle à effets aléatoires pour l’analyse si je2 ≥50 %.
  4. Analyses supplémentaires : Effectuer des analyses de sensibilité en excluant séquentiellement des études individuelles afin d’évaluer leur influence sur les résultats globaux, selon le dernier Manuel Cochrane pour les revues systématiques desinterventions 32. Comparez les estimations à effets fixes et aléatoires pour évaluer le rôle des effets des petites études dans l’estimation de l’effet de l’intervention. Tenter de réaliser des analyses de sous-groupes pour étudier les sources potentielles d’hétérogénéité et détecter les effets différentiels basés sur les caractéristiques de la conception de l’étude, en s’appuyant sur des recherches antérieures pertinentes et les caractéristiques d’intervention des EMI.
    REMARQUE : Études de groupe selon le domaine d’intervention central des EMI (domaine unique vs. multi-domaine), et réaliser des analyses exploratoires supplémentaires basées sur la fréquence des EMA (élevée vs. faible), l’implication humaine (c’est-à-dire si l’intervention était entièrement automatisée ; oui ou non) et la durée des EMI (≤3 mois vs. >3 mois). Extraire toutes les variables utilisées dans ces analyses directement des études incluses.
  5. Pour les résultats qui ne peuvent pas être regroupés via une méta-analyse (par exemple, nombre insuffisant d’études éligibles, données incomplètes pour l’extraction de la taille de l’effet), fournir un résumé descriptif des résultats de l’étude. Présentez ce résumé uniquement comme un contenu exploratoire complémentaire qui n’a aucun poids probant pour soutenir des conclusions cliniquement orientées et qui n’est pas présenté comme un résultat formel.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

Sélection des études
Après des recherches approfondies dans diverses bases de données, 2 691 articles ont été identifiés. Après la suppression des documents en double (n = 633), 2 058 documents restants ont été vérifiés pour des titres et résumés, et 2 029 ont été supprimés. Nous avons téléchargé 29 articles en texte intégral lors de la projection finale et d’une enquête plus détaillée. Au final, seuls 14 articles satisfaisaient aux critères prédéterminés (

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

Cette revue systématique et méta-analyse de 14 études visait à évaluer l’efficacité des EMI dans la prise en charge de la DT2 (Tableau Supplémentaire 4). Les résultats indiquent que les EMI ont significativement réduit l’HbA1c et l’IMC. Néanmoins, une hétérogénéité considérable a été observée entre les études, et les analyses de sous-groupes ont confirmé que les composantes d’intervention étaient une source clé d’hétérogénéité. Les EMI complètes multi-domaines semblent p...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs déclarent qu’ils n’ont aucun conflit d’intérêts.

Remerciements

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

Cette recherche a été financée par le projet de recherche de l’Association provinciale de médecine préventive du Sichuan n° SYYXHPT202417, le programme de planification de la recherche n° SCSXLXH202402011, et le Projet provincial de sciences et technologies médicales du Sichuan n° 25LCYJ31.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
EndNote X9ClarivateVersion officielleCe logiciel a été utilisé pour gérer les notices bibliographiques et supprimer les citations en double identifiées lors des recherches systématiques dans les bases de données. Il a facilité l'organisation initiale des références avant le processus de sélection.
Review Manager 5.3 (RevMan 5.3) The Cochrane CollaborationVersion officielleCe programme a servi d'outil principal pour mener la méta-analyse. Il a été utilisé pour effectuer tous les calculs statistiques, générer des diagrammes forestiers pour les analyses des résultats et créer des figures de risque de biais.
Microsoft Excel MicrosoftVersion officielleUn formulaire d'extraction de données standardisé a été créé dans ce logiciel de tableur. Il a été utilisé pour collecter et tabuler systématiquement les données pertinentes de chacune des études primaires incluses.

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Autogestioncontr le de la glyc miequalit de vie li e la santinterventions multidomainesgestion du diab te

Articles connexes