Journal List > J Korean Diabetes > v.25(3) > 1516088743

임신 중 당뇨병관리를 위한 스마트 헬스케어의 활용

Abstract

Gestational diabetes mellitus (GDM) poses significant health risks to both mothers and newborns, requiring rigorous self-management and frequent medical consultations. Advances in information and communications technology (ICT) have shown promising results in reducing the number of in-person visits for GDM management. ICT enhances patient self-care engagement, with some studies reporting reductions in average blood glucose and HbA1c levels. ICT for GDM management has demonstrated benefits such as fewer in-person visits, improved adherence to self-monitoring of blood glucose, increased global user satisfaction, and maintenance of blood glucose control and perinatal outcomes. Common barriers to ICT for GDM include technological literacy, inadequate education, limited technical support, the additional burden of non-customized applications, and restricted interoperability. Further research is needed on the impact of technology on GDM management to optimize digital health solutions.

서론

당뇨병은 성인 사망률을 약 75% 증가시킬 뿐 아니라 기대 수명을 단축시키는 주요 원인이다[1]. 당뇨병을 효과적으로 치료하는 것은 환자의 철저한 자기관리와 다양한 예방 및 치료 중재를 요구하므로 쉽지 않다[2]. 특히 임신 중 당뇨병은 산모와 신생아에게 부정적인 결과를 초래하는 건강 문제로, 일반적으로 ‘고위험’ 질병으로 분류되며 혈당 체크, 식단 구성 조정, 규칙적인 신체 운동을 비롯해 빈번히 병원 진료를 받아야 한다[3]. 또한 임신 중 당뇨병과 관련된 부담은 여성의 정신건강에 부정적 영향을 미치고 처방된 치료법 준수를 어렵게 할 뿐만 아니라 의료 전문가에게도 상당한 부담을 안겨준다[4]. 최근 몇 년 동안 임신 중 당뇨병 진단을 받은 임산부의 비율이 크게 증가했으며 2020년 국제당뇨병연맹에서 발표한 바에 따르면, 전 세계 출생아 6명 중 1명 꼴로 임신 중 고혈당의 영향을 받았다고 한다[5].
최근에는 정보기술의 발전에 따라 정보통신기술(information and communications technology, ICT)을 임신 중 당뇨병자기관리에 개입시킴으로써 생체 데이터를 면밀하게 모니터링할 수 있고, 환자 중심의 당뇨병 치료에 도움을 줄 수 있는 다양한 웨어러블(wearable) 및 의료 기기가 출시되었다[6]. 당뇨병환자들에게 ICT의 중재는 의료 지원의 질을 유지하면서 리소스를 최적화하는 확실한 방법이다[7]. 그러나 환자들에게 중재가 미치는 영향에 대한 정보는 매우 부족하며, ICT 중재에 따른 건강지표 및 비용 효율성을 평가하기 위해서는 많은 연구가 필요하다[8]. 이와 관련하여 대규모 무작위 대조 형태의 중재 연구는 당뇨병의 혈당조절에 대한 ICT 중재의 잠재적 이점을 이해하는 데 필수적이다[9]. 이에 본 고에서는 여러 메타분석 연구에 기반을 둔 체계적 문헌 고찰 및 임신 중 당뇨병과 원격의료 중재가 당뇨병관리 및 건강지표에 미치는 영향에 대해 다룰 것이다.

본론

1. 임신 중 당뇨병

임신 중 당뇨병은 크게 2가지의 경우로 나눠볼 수 있다. 임신당뇨병(gestational diabetes mellitus, GDM)의 경우 산모와 그 자녀의 건강 위험을 증가시키는데 가장 흔한 합병증은 임신 주수에 비해 큰 신생아로, 이는 제왕절개, 중환자실 치료, 어깨 난산 등의 위험 증가와 관련이 있다. 또한 산모와 그 자녀 모두 향후 2형당뇨병 및 기타 대사장애에 걸릴 위험이 있다. 다행히도 정상혈당 수치를 회복하면 GDM으로 인한 모든 합병증이 최소화된다.
임신전당뇨병 환자의 경우 임신 계획 상담 및 혈당관리와 약제조절을 고려해야 하며, GDM의 경우 적절한 혈당조절과 주기적인 태아 모니터링이 필요하다[9]. 임신 중 당뇨병은 의학영양요법, 가벼운 운동 및 자기혈당측정을 통해 공복혈당, 식후 1시간 혈당, 식후 2시간 혈당을 관리하고, 혈당조절 목표에 도달하지 못할 경우 인슐린치료를 해야 한다[10]. Fig. 1과 같이 임신했던 당뇨병 여성의 산후 추적관찰 및 치료가 이루어진다[11].
Fig. 1.
Follow-up and care of pregnant women with diabetes.
Adapted from the article of Moon et al. [11] (Diabetes Metab J 2024;48:546-708) under the terms of the Creative Commons Attribution Non-Commercial (CC BY-NC 4.0) license. GDM, gestational diabetes mellitus.
jkd-2024-25-3-135f1.tif

2. ICT 중재를 통환 환자의 자기관리 및 의료 효율성

ICT 중재가 환자의 치료에 대한 참여도를 높이고 환자와 의료 제공자 간의 의사소통을 지원하는 역량을 보여 주었다[12]. 스마트폰 애플리케이션을 통한 자기관리는 환자의 접근성을 낮춰 일상에서 쉽게 건강관리에 참여시킬 수 있다[5]. 이 외에도 생체 데이터를 면밀하게 모니터링할 수 있는 다양한 웨어러블 및 의료 기기가 출시되었으며 웨어러블 기기는 신체활동 실천, 수면 패턴, 체온, 불안 및 스트레스를 모니터링하는 데 사용하거나 대기 질, 습도, 위치, 햇빛ㆍ자외선 노출과 같은 환경 데이터와 관련된 매개변수를 모니터링하는 데 사용할 수 있다[13]. 이처럼 다양한 기술은 환자의 증상 완화 및 합병증을 예방하며 의료 서비스에 소비하는 시간과 비용을 줄여주는 등 경제적인 이점을 보여준다[14].

3. ICT 중재를 통한 임신 중 당뇨병관리 및 모니터링

지난 몇 년 동안 당뇨병환자를 위한 다양한 모바일 애플리케이션이 개발되었고, 대부분 자동 혈당 전송 기능이 포함되어 주기적인 혈당 모니터링이 가능하다[15]. 여러 연구에서 지속적인 신체활동 또는 산모 건강의 장기적 모니터링에 대한 ICT의 중재 효과를 평가했다[16]. ICT 중재를 통한 자기조절은 임신부가 쉽게 건강관리에 참여할 수 있게 하며, 고위험 환자의 잠재적 문제를 예측하여 경제적 비용 절약에 기여할 수 있다[17]. 또한 ICT 중재는 의료 전문가가 환자를 추적 관찰하고 개인 맞춤형 진료를 제공하게 할 뿐 아니라 당뇨병 관련 데이터를 그래픽 데이터로 표현함으로써 환자의 건강 상태를 인지하는 데 도움을 줄 수 있다. 인공지능 알고리즘 역시 의료 프로세스 개선에 기여할 수 있는 상당한 잠재력을 갖고 있으며 전자건강기록(electronic health record) 및 모니터링 데이터는 고위험 임신부를 식별하고, 검진 필요성을 예측하고, 생활 방식 및 개인 상태(예: 스트레스)에 따라 개인의 당뇨병 치료를 맞춤화하는 등 중재의 우선순위를 정하는 데 도움을 줄 수 있다[18]. 이 외에도 머신러닝 기술을 이용한 임신 중 당뇨병관리는 일상적인 임상 데이터를 활용하여 환자를 진단하거나 의료 자원이 제한된 지역에서 스마트폰 애플리케이션을 이용하여 환자를 진단하는 데 사용되었다(Table 1). 추가적으로, 메타분석 연구 및 엄브렐라 연구에서도 ICT 중재가 각 지표마다 유의한 개선을 보이며 임신 중 당뇨병관리에 효과적임을 보여줬다[19,20] (Tables 2, 3). 이처럼 ICT 중재를 통한 치료는 임신 중 당뇨병환자의 순응도, 관리 및 치료의 질을 개선할 수 있는 잠재력을 보였다(Tables 24, Fig. 2) [20,21].
Fig. 2.
Random effects meta-analysis of the mean difference in fasting plasma glucose (mmol/L), 2-hour postprandial glucose (mmol/L), and HbA1c (%), comparing digital health or routine care [21].
Adapted from the article of Leblalta et al. [21] (PLOS Digit Health 2022;1:e0000015) under the terms of the Creative Commons Attribution (CC BY 4.0) license.
SD, standard deviation; IV, inverse variance; CI, confidence interval; m-Health, mobile health; HbA1c, glycated hemoglobin.
jkd-2024-25-3-135f2.tif
Table 1.
The main studies using mobile apps for gestational diabetes management
App Country BG transmission Auto-BG classification Type of feedback Al-augmented Study design
GDm-health UK O X Advice on mediation + lifestyle X RCT
Pregnant+ Norway O X Information, advice X RCT
MobiGuide Europe (Israel, Spain, Italy, The Netherlands, Austria) O O Treatment adjustment, alerts O Pilot
Glucosebuddy Israel X X Everyday email from clinical team X RCT
Dnurse China O X Nurse contracted patients every evening X RCT
SinedleAPP Spain O O Treatment adjustment, alerts O Pilot
THCa Canada O X Alerts coaching X Controlled
Habits-GDM Singapore O X Educational program, database of common foods (total calories), bluetooth weighting scale X RCT

App, application; BG, blood glucose; AI, artificial Intelligence; RCT, randomized controlled trials; THCa, telehomecare; GDM, gestational diabetes mellitus.

Table 2.
Description of meta-analysis investigating the potential association between ICT interventions and all related health outcomes among patients with GDM
Outcome Study Included countries AMSTAR2
HbA1c (%) Xie et al. [20] (2020) China, Finland, Italy, South Korea, and Spain Low
Fasting blood glucose (mmol/L) Xie et al. [20] (2020) Australia, China, South Korea, United Kingdom, and the United States Low
2-hour postprandial blood glucose (mmol/L) Xie et al. [20] (2020) Australia and China Low

ICT, information and communications technology; GDM, gestational diabetes mellitus; AMSTAR2, A Measurement Tool to Assess-ment Systematic Reviews 2; HbA1c, glycated hemoglobin.

Table 3.
Reanalysis of estimated effects using Hartung–Knapp–Sidik–Jonkman (HS) methods, heterogeneity I2, egger'sP-value, 95% prediction interval, and GRADE
Outcome Included studies Metrics Total sample Reanalyzed summary estimated effect, eSMD (95% CI) HS method; random-effect model Hetero-geneityI2 (%) Egger's P-value 95% prediction interval GRADE
HbA1c (%) 12 WMD 1,464 –0.07 (–0.10, –0.03)* 96.632 0.75 (–2.079, 0.687) Low
Fasting blood glucose (mmol/L) 20 WMD 3,203 –0.05 (–0.08, –0.02)* 93.933 0.77 (–1.807, 0.755) Moderate
2-hour postprandial blood glucose (mmol/L) 15 WMD 2,699 –0.04 (–0.07, 0.01)* 97.372 0.69 (–4.432, 2.372) Low

GRADE, grading of recommendations, assessment, development, and evaluation; eSMD, equivalent standard mean difference; CI, confidence interval; HbA1c, glycated hemoglobin; WMD, weighted mean difference.

* P < 0.05.

Table 4.
Changes by intervention of ICT in diabetes in pregnancy
Outcome Technology subgroup No. of studies No. of women Metric Effect estimate (95% CI) I2 (%) Certainty of the evidence (GRADE)
Maternal outcomes
  Changes in fasting glucose (mmol/L) ⊕⊕⊕〇 Moderate
    All digital health 17 1,529 MD –0.33 (–0.59, –0.07) 94
    Patient portal 5 314 MD 0.03 (–0.16, 0.23) 33
    mHealth 7 757 MD –0.10 (–0.36, 0.15) 90
    Telehealth 1 80 MD –0.49 (–0.95, –0.03) -
    Social platform 4 278 MD –1.09 (–1.40, –0.78) 77
  Change in postprandial glucose (mmol/L) ⊕⊕⊕〇 Moderate
    All digital health 13 1,356 MD –0.49 (–0,83, –0.15) 91
    Patient portal 4 290 MD –0.19 (–0.50, –0.15) 46
    mHealth 5 688 MD 0.02 (–0.39, 0.43) 80
    Social platform 4 378 MD –1.35 (–2.05, –0.65) 90
  Change in HbA1c (%) ⊕⊕⊕〇 Moderate
    All digital health 8 621 MD –0.36 (–0.65, –0.07) 95
    Patient portal 4 299 MD –0.21 (–0.64, 0.21) 95
    mHealth 3 202 MD –0.35 (–0.69, 0.00) 80
    Social platform 1 120 MD –1.17 (–1.67, –0.67) -
  Weight gain over pregnancy (kg) ⊕⊕〇〇 Low
    All digital health 6 742 MD -11.81 (-3.37, -0.25) 95
    mHealth 4 572 MD -1.33 (-2.71, 0.04) 88
    Telehealth 1 80 MD -0.10 (-2.19, 1.99) -
    Social platform 1 90 MD -4.71 (-5.46, -3.96) -
  Caesarean delivery rates ⊕⊕⊕⊕ High
    All digital health 10 2,511 RR 0.81 (0.69, 0.95) 53
    Patient portal 5 371 RR 1.24 (0.90, 1.70) 34
    mHealth 10 1,762 RR 0.79 (0.67, 0.92) 38
    Social platform 4 378 RR 0.52 (0.38, 0.72) 0
  Incidence of preeclampsia/eclampsia ⊕⊕〇〇 Low
    All digital health 6 590 RR 0.81 (0.36, 1.82) 23
    Patient portal 3 179 RR 1.32 (0.59, 2.98) 0
    mHealth 2 323 RR 0.60 (0.08, 4.37) 52
    Social platform 1 88 RR 0.17 (0.02, 1.33) -
  Use of medication ⊕⊕〇〇 Low
    All digital health 7 704 RR 0.93 (0.74, 1.17) 57
    Patient portal 5 298 RR 0.79 (0.59, 1.06) 35
    mHealth 2 406 RR 1.14 (0.88, 1.48) 63
Neonatal outcomes
  Hypoglycemia of new-born ⊕⊕⊕〇 Moderate
    All digital health 11 1,316 RR 0.77 (0.57, 1.05) 10
    Patient portal 3 176 RR 1.00 (0.47, 2.13) 0
    mHealth 5 852 RR 0.79 (0.53, 1.19) 35
    Social platform 3 288 RR 0.20 (0.05, 0.77) 0
  Preterm birth ⊕⊕⊕〇 Moderate
    All digital health 11 1,687 RR 0.79 (0.47, 1.32) 43
    Patient portal 3 179 RR 0.68 (0.31, 1.50) 0
    mHealth 5 1,220 RR 1.11 (0.51, 2.42) 65
    Social platform 3 288 RR 0.38 (0.13, 1.06) 0
  Neonatal intensive care unit ⊕⊕⊕〇 Moderate
    All digital health 8 1,304 RR 0.88 (0.58, 1.33) 36
    Patient portal 2 102 RR 1.28 (0.70, 2.34) 0
    mHealth 6 1,202 RR 0.76 (0.46, 1.28) 42
  Incidence of fetal macrosomia ⊕⊕⊕⊕ High
    All digital health 11 1,764 RR 0.67 (0.48, 0.95) 12
    Patient portal 2 142 RR 0.65 (0.18, 2.32) 5
    mHealth 6 1,334 RR 0.78 (0.56, 1.08) 0
    Social platform 3 288 RR 0.22 (0.08, 0.60) 0
  Large for gestational age ⊕〇〇〇 Very low
    All digital health 5 444 RR 1.35 (0.77, 2.38) 0
    Patient portal 2 185 RR 1.41 (0.62, 3.20) 0
    mHealth 3 259 RR 1.30 (0.60, 2.83) 0
  Small for gestational age ⊕〇〇〇 Very low
    All digital health 3 123 RR 1.58 (0.64, 3.90) 0
    Patient portal 2 104 RR 1.15 (0.14, 9.25) 49
    mHealth 1 19 RR 1.35 (0.29, 6.34) -
  Infant birth weight (g) ⊕⊕⊕〇 Moderate
    All digital health 10 1,116 MD 26.58 (–43.59, 96.75) 21
    Patient portal 4 274 MD 122.74 (6.46, 239.02) 0
    mHealth 5 762 MD –4.90 (–73.34, 63.55) 0
    Telehealth 1 80 MD –175.00 (–482.91, 132.91) -

ICT, information and communications technology; CI, confidence interval; I2, heterogeneity I2; GRADE, grading of recommendations, assessment, development, and evaluation; mHealth, mobile health; MD, mean difference; HbA1c, glycated hemoglobin; RR, relative risk.

4. 당뇨병환자의 ICT 중재를 통한 효율적 건강관리 방안과 도전 과제

당뇨병환자의 ICT 중재를 통한 건강관리를 가로막는 주요 장벽은 기술 가용성, 교육 및 기술, 비용, 유용성 등과 관련이 있다. 이때 기술은 가능한 한 자동화, 간소화, 이동성, 저비용, 통합성을 갖춰야 한다[22].
환자들이 건강 정보와 디지털헬스 자원에 접근하고, 평가하고, 적용하여 질병에 적극적으로 대처할 수 있도록 교육이 필수적이다. 특히, 양질의 관리를 유지하기 어려울 뿐만 아니라 장애, 낮은 디지털 문해력, 낮은 사회경제적 지위 등의 소수 집단에서 기술 사용에 대한 지원이 요구된다. 사용성이 높은 설계로 배우기 쉽고 기억하기 쉬운 직관적인 도구를 만들면, 교육 세션 시간을 줄이고 질병 부담을 덜며 사용자 만족도를 높일 수 있다[23].
제조업체들이 기기에서 생성된 데이터의 자동 처리 및 시각적 분석 플랫폼을 제공하기 시작했지만, 더욱 통합된 자동 접근 방식이 필요하다. 환자와 임상의의 의사결정 과정을 지원하기 위해 의미 있는 패턴을 추출할 수 있는 인공지능 알고리즘은 새롭게 등장하는 모든 데이터 소스를 효율적으로 처리하는 데 필수적이다[24].

결론

임신 중 당뇨병환자는 정상혈당 유지에 어려움을 겪으며 이는 산모와 태아 모두에게 해로운 영향을 미치는 것으로 알려져 있다. 이 질환은 진단 후 몇 주 이내에 면밀한 모니터링과 엄격한 관리가 요구된다. 임신 중 당뇨병의 적절한 관리는 산모와 아이의 임상경과 및 예후에 중요하며 일반적으로 임신 중 당뇨병을 관리하려면 진단부터 분만까지 많은 횟수의 방문 진료가 필요하다.
최근 코로나-19 팬데믹 기간 동안 의료시설에 대한 접근이 제한됨으로써 전 세계적으로 대사질환 관리가 어려울 것으로 예상되었다. 그럼에도 불구하고, 코로나-19 팬데믹 기간 동안 ICT 중재의 역할을 평가한 대부분의 연구에서는 예상과 다른 연구 결과를 보여주었다.
웹 기반 애플리케이션이나 모바일 애플리케이션 사용과 같은 ICT 중재가 당뇨병환자의 치료 순응도를 크게 개선시키고, 대면 방문 진료 횟수가 현저히 줄며 환자와 의료진의 만족도를 높이는 것으로 나타났다. 또한 임신 중 당뇨병의 적절한 관리를 위한 스마트 헬스케어 서비스의 구성을 위해 다양한 기술 요소의 활용이 모색되고 있다. 이러한 ICT 중재는 임신 중 약물 사용의 제한을 감안할 때, 환자들의 HbA1c 수준 및 당뇨병 관련 지표 개선에 유의미한 관련이 있음을 보여주었다. 또한 중재를 통해 기타 건강 관련 지표를 관리할 수 있으므로 공중보건 전문가 및 의사는 ICT 중재를 통한 만성질환의 관리를 고려할 수 있다. 물론 각 연구결과의 증거의 확실성은 다를 수 있지만, 집단적인 연구 결과는 ICT 중재가 임신 중 당뇨병관리를 최적화하는 데 상당한 가능성을 가지고 있음을 시사한다. 물론 임신 중 당뇨병의 관리를 위한 스마트 헬스케어 서비스의 긍정적 효과에 대한 다양한 근거가 보고되지만, 제도권 임상 의료에서 스마트 헬스케어 서비스의 폭넓은 도입과 활용을 위한 방법론 마련 및 더욱 충분한 근거가 확보될 필요가 있다.

REFERENCES

1.Gregg EW., Cheng YJ., Srinivasan M., Lin J., Geiss LS., Al-bright AL, et al. Trends in cause-specific mortality among adults with and without diagnosed diabetes in the USA: an epidemiological analysis of linked national survey and vital statistics data. Lancet. 2018. 391:2430–40.
crossref
2.American Diabetes Association. Standards of medical care in diabetes-2010. Diabetes Care. 2010. 33(Suppl 1):S11–61.
3.Bashir M., Ibrahim I., Beer S., Shahbic H., Eltaher F., Al-Mu-tawaa K, et al. Integrated care of diabetes during pregnancy: a Qatari nationwide cohort. EClinicalMedicine. 2024. 72:102605.
crossref
4.Hivert MF., Backman H., Benhalima K., Catalano P., Desoye G., Immanuel J, et al. Pathophysiology from preconception, during pregnancy, and beyond. Lancet. 2024. 404:158–74.
crossref
5.Chivese T., Hoegfeldt CA., Werfalli M., Yuen L., Sun H., Karuranga S, et al. IDF Diabetes Atlas: the prevalence of pre-existing diabetes in pregnancy - a systematic review and meta-analysis of studies published during 2010-2020. Diabetes Res Clin Pract. 2022. 183:109049.
crossref
6.Zahmatkeshan M., Zakerabasali S., Farjam M., Gholampour Y., Seraji M., Yazdani A. The use of mobile health interventions for gestational diabetes mellitus: a descriptive literature review. J Med Life. 2021. 14:131–41.
crossref
7.American Diabetes Association. 2. Classification and diagnosis of diabetes: standards of medical care in diabetes— 2021. Diabetes Care. 2021. 44(Suppl 1):S15–33.
8.Crossen SS., Bruggeman BS., Haller MJ., Raymond JK. Challenges and opportunities in using telehealth for diabetes care. Diabetes Spectr. 2022. 35:33–42.
crossref
9.Lee JS., Lee YA., Shin CH., Suh DI., Lee YJ., Yon DK. Long-term health outcomes of early menarche in women: an umbrella review. QJM. 2022. 115:837–47.
crossref
10.Sweeting A., Hannah W., Backman H., Catalano P., Feghali M., Herman WH, et al. Epidemiology and management of gestational diabetes. Lancet. 2024. 404:175–92.
crossref
11.Moon JS., Kang S., Choi JH., Lee KA., Moon JH., Chon S, et al. 2023 Clinical practice guidelines for diabetes management in Korea: full version recommendation of the Korean Diabetes Association. Diabetes Metab J. 2024. 48:546–708.
crossref
12.Kuan PX., Chan WK., Fern Ying DK., Rahman MAA., Peariasamy KM., Lai NM, et al. Efficacy of telemedicine for the management of cardiovascular disease: a systematic review and meta-analysis. Lancet Digit Health. 2022. 4:e676–91.
crossref
13.Yew TW., Chi C., Chan SY., van Dam RM., Whitton C., Lim CS, et al. A randomized controlled trial to evaluate the effects of a smartphone application-based lifestyle coaching program on gestational weight gain, glycemic control, and maternal and neonatal outcomes in women with gestational diabetes mellitus: the SMART-GDM study. Diabetes Care. 2021. 44:456–63.
crossref
14.Patel SY., McCoy RG., Barnett ML., Shah ND., Mehrotra A. Diabetes care and glycemic control during the COVID-19 pandemic in the United States. JAMA Intern Med. 2021. 181:1412–4.
crossref
15.Carallo C., Scavelli FB., Cipolla M., Merante V., Medaglia V., Irace C., Progetto Diabete Calabria, et al. Management of type 2 diabetes mellitus through telemedicine. PLoS One. 2015. 10:e0126858.
crossref
16.Mackillop L., Hirst JE., Bartlett KJ., Birks JS., Clifton L., Farmer AJ, et al. Comparing the efficacy of a mobile phone-based blood glucose management system with standard clinic care in women with gestational diabetes: randomized controlled trial. JMIR Mhealth Uhealth. 2018. 6:e71.
crossref
17.Shibuta T., Waki K., Tomizawa N., Igarashi A., Yamamoto-Mitani N., Yamaguchi S, et al. Willingness of patients with diabetes to use an ICT-based self-management tool: a cross-sectional study. BMJ Open Diabetes Res Care. 2017. 5:e000322.
crossref
18.Lobig F., Subramanian D., Blankenburg M., Sharma A., Variyar A., Butler O. To pay or not to pay for artificial intelligence applications in radiology. NPJ Digit Med. 2023. 6:117.
crossref
19.Park S., Lee H., Cho W., Woo HG., Lim H., Kim S, et al. Efficacy of information and communication technology interventions for the management of diabetes mellitus: an umbrella review and evidence map. Obes Rev. 2024. 25:e13714.
crossref
20.Xie W., Dai P., Qin Y., Wu M., Yang B., Yu X. Effectiveness of telemedicine for pregnant women with gestational diabetes mellitus: an updated meta-analysis of 32 randomized controlled trials with trial sequential analysis. BMC Pregnancy Childbirth. 2020. 20:198.
crossref
21.Leblalta B., Kebaili H., Sim R., Lee SWH. Digital health interventions for gestational diabetes mellitus: a systematic review and meta-analysis of randomised controlled trials. PLOS Digit Health. 2022. 1:e0000015.
crossref
22.Bahendeka S. Implementing digital systems in diabetes care in low-income and middle-income countries: successes and challenges. Lancet Diabetes Endocrinol. 2023. 11:387–8.
crossref
23.Georgsson M., Staggers N. Quantifying usability: an evaluation of a diabetes mHealth system on effectiveness, efficiency, and satisfaction metrics with associated user characteristics. J Am Med Inform Assoc. 2016. 23:5–11.
crossref
24.Khera R., Butte AJ., Berkwits M., Hswen Y., Flanagin A., Park H, et al. AI in medicine-JAMA's focus on clinical outcomes, patient-centered care, quality, and equity. JAMA. 2023. 330:818–20.
crossref
TOOLS
Similar articles