diabetes self-management

Background Digital mental health tools, including general-purpose artificial intelligence (AI) chatbots, may provide accessible and low-threshold psychological support for people living with chronic conditions. However, their value in this population depends not only on recognizing depression or anxiety, but also on understanding how psychological distress is shaped by disease-specific experiences and when self-guided support should transition toward professional care. We evaluated the appropriateness, contextual sensitivity, safety, and consistency of psychological support provided by three widely accessible AI chatbots across contrasting chronic illness contexts. Methods We conducted a standardized simulated-patient benchmarking study comparing ChatGPT, Gemini, and Doubao. Twenty scenarios were developed across type 2 diabetes mellitus (T2DM) and chronic spontaneous urticaria (CSU), representing matched mild and moderate presentations of depression and anxiety together with condition-specific distress related to diabetes self-management and CSU-related flare uncertainty. Each scenario was independently submitted to all three systems in two testing rounds, yielding 120 responses. Blinded raters assessed overall psychological support appropriateness, recognition and emotional support, chronic-illness contextualization, psychological support and referral, psychosomatic balance and safety, and major clinical or safety errors. Repeated testing assessed response consistency. Results Overall psychological support appropriateness differed across systems (P = 0.002), with 90.0% of ChatGPT, 75.0% of Gemini, and 55.0% of Doubao responses meeting the prespecified appropriateness threshold. Recognition and emotional support was consistently strong across systems, whereas greater differences emerged in chronic-illness contextualization (P = 0.001), psychological support and referral (P = 0.002), and psychosomatic balance and safety (P<0.001). All responses to mild presentations were classified as psychologically appropriate, compared with 58.3% of responses to moderate presentations, indicating that performance became less reliable when digital support required stronger escalation toward professional assessment. Contextualization was also less consistent in CSU, particularly when responses needed to incorporate flare unpredictability, pruritus, sleep disruption, and illness uncertainty. Major clinical or safety errors occurred in 0%, 10.0%, and 15.0% of first-round ChatGPT, Gemini, and Doubao responses, respectively. Test–retest consistency was moderate and varied between systems. Conclusions General-purpose AI chatbots show potential as accessible, self-guided digital mental health resources for people living with chronic conditions, particularly for recognizing distress and providing initial supportive guidance. Their current limitations emerge when effective support requires disease-specific contextualization, balanced interpretation of psychological and somatic factors, or escalation as symptoms become more severe. These findings identify important boundaries for the use of conversational AI in chronic-illness mental health care and suggest that implementation should emphasize context-sensitive guidance, severity-responsive referral, and clear integration with rather than substitution for professional care.

زمینه: ابزارهای سلامت روان دیجیتال، از جمله چت‌بات‌های هوش مصنوعی عمومی، ممکن است حمایت روان‌شناختی قابل دسترس و با آستانه پایین برای افراد مبتلا به بیماری‌های مزمن فراهم کنند. با این حال، ارزش آن‌ها در این جمعیت نه تنها به شناسایی افسردگی یا اضطراب بستگی دارد، بلکه به درک چگونگی شکل‌گیری پریشانی روان‌شناختی توسط تجارب خاص بیماری و زمان انتقال حمایت خودراهنما به مراقبت حرفه‌ای نیز وابسته است. ما تناسب، حساسیت زمینه‌ای، ایمنی و انسجام حمایت روان‌شناختی ارائه‌شده توسط سه چت‌بات هوش مصنوعی عمومی و در دسترس را در زمینه‌های متضاد بیماری مزمن ارزیابی کردیم. روش‌ها: یک مطالعه بنچمارک‌گیری بیمار شبیه‌سازی‌شده استانداردشده انجام دادیم و ChatGPT، Gemini و Doubao را مقایسه کردیم. بیست سناریو در زمینه دیابت نوع ۲ (T2DM) و کهیر مزمن خودبه‌خود (CSU) توسعه یافت که ارائه‌های خفیف و متوسط افسردگی و اضطراب را همراه با پریشانی خاص بیماری مرتبط با خودمدیریتی دیابت و عدم قطعیت شعله‌ورشدگی مرتبط با CSU بازنمایی می‌کرد. هر سناریو به طور مستقل در دو دور آزمون به هر سه سیستم ارائه شد و ۱۲۰ پاسخ به دست آمد. ارزیابان نابینا تناسب کلی حمایت روان‌شناختی، شناسایی و حمایت هیجانی، زمینه‌مندی بیماری مزمن، حمایت روان‌شناختی و ارجاع، تعادل روان‌تنی و ایمنی، و خطاهای عمده بالینی یا ایمنی را ارزیابی کردند. آزمون تکرارشونده انسجام پاسخ‌ها را سنجید. نتایج: تناسب کلی حمایت روان‌شناختی بین سیستم‌ها متفاوت بود (P = 0.002)، به‌طوری‌که ۹۰.۰٪ پاسخ‌های ChatGPT، ۷۵.۰٪ Gemini و ۵۵.۰٪ Doubao به آستانه تناسب از پیش تعیین‌شده رسیدند. شناسایی و حمایت هیجانی در همه سیستم‌ها به طور مداوم قوی بود، در حالی که تفاوت‌های بیشتری در زمینه‌مندی بیماری مزمن (P = 0.001)، حمایت روان‌شناختی و ارجاع (P = 0.002)، و تعادل روان‌تنی و ایمنی (P<0.001) مشاهده شد. همه پاسخ‌ها به ارائه‌های خفیف از نظر روان‌شناختی مناسب طبقه‌بندی شدند، در حالی که تنها ۵۸.۳٪ پاسخ‌ها به ارائه‌های متوسط مناسب بودند که نشان می‌دهد عملکرد زمانی که حمایت دیجیتال نیازمند ارجاع قوی‌تر به ارزیابی حرفه‌ای بود، کمتر قابل اعتماد می‌شود. زمینه‌مندی در CSU نیز کمتر منسجم بود، به‌ویژه زمانی که پاسخ‌ها باید عدم قطعیت شعله‌ورشدگی، خارش، اختلال خواب و عدم قطعیت بیماری را در بر می‌گرفتند. خطاهای عمده بالینی یا ایمنی به ترتیب در ۰٪، ۱۰.۰٪ و ۱۵.۰٪ پاسخ‌های دور اول ChatGPT، Gemini و Doubao رخ داد. انسجام آزمون–بازآزمون متوسط بود و بین سیستم‌ها تفاوت داشت. نتیجه‌گیری: چت‌بات‌های هوش مصنوعی عمومی به عنوان منابع سلامت روان دیجیتال خودراهنما و قابل دسترس برای افراد مبتلا به بیماری‌های مزمن، به ویژه در شناسایی پریشانی و ارائه راهنمایی حمایتی اولیه، پتانسیل نشان می‌دهند. محدودیت‌های فعلی آن‌ها زمانی آشکار می‌شود که حمایت مؤثر نیازمند زمینه‌مندی خاص بیماری، تفسیر متعادل عوامل روانی و جسمانی یا ارجاع در صورت تشدید علائم باشد. این یافته‌ها مرزهای مهمی را برای استفاده از هوش مصنوعی مکالمه‌ای در مراقبت سلامت روان بیماری مزمن شناسایی می‌کند و نشان می‌دهد که پیاده‌سازی باید بر راهنمایی حساس به زمینه، ارجاع متناسب با شدت و ادغام شفاف با مراقبت حرفه‌ای (و نه جایگزینی آن) تأکید کند.

Background Diabetes self-management requires consistent daily behaviors. Social jetlag, the mismatch between workday and free-day sleep timing, may disrupt daily behavior routines. This study examined the association between social jetlag and self-management in adults with type 2 diabetes (T2D), and whether sleep quality and depressive symptoms statistically accounted for portions of this association. Methods This cross-sectional study recruited employed adults aged 18–60 years with T2D from the endocrinology departments of three tertiary public general hospitals in Ningxia Hui Autonomous Region, China, from January to April 2026. Social jetlag was calculated from the micro Munich Chronotype Questionnaire; sleep quality, depressive symptoms, and diabetes self-management were assessed using the Pittsburgh Sleep Quality Index, Patient Health Questionnaire-9, and Summary of Diabetes Self-Care Activities, respectively. Multivariable linear regression and serial mediation analysis with 5,000 bootstrap resamples were performed. Results A total of 339 participants were analyzed. Each additional h of social jetlag was associated with higher PSQI score ( B = 1.352, 95% CI 1.042 to 1.663), higher PHQ-9 score ( B = 3.772, 95% CI 3.314 to 4.229), and lower SDSCA score ( B = −6.623, 95% CI −7.566 to −5.679). The direct association remained significant after PSQI and PHQ-9 scores were included ( B = −3.830, 95% CI −5.048 to −2.611). The specific indirect association through depressive symptoms alone was −2.230 (95% bootstrap CI −3.053 to −1.469), and the serial indirect association through sleep quality and depressive symptoms was −0.314 (95% bootstrap CI −0.534 to −0.150). Conclusion Greater social jetlag was associated with poorer diabetes self-management. Significant indirect associations were observed through depressive symptoms alone and through the serial pathway from sleep quality to depressive symptoms. These associations do not establish temporal ordering or causal mediation because the data were cross-sectional.

زمینه و هدف: خودمدیریتی دیابت نیازمند رفتارهای روزانه منظم است. جت‌لگ اجتماعی، که به عدم تطابق زمان خواب در روزهای کاری و تعطیل اشاره دارد، ممکن است روال‌های رفتاری روزانه را مختل کند. این مطالعه ارتباط بین جت‌لگ اجتماعی و خودمدیریتی در بزرگسالان مبتلا به دیابت نوع ۲ (T2D) و همچنین نقش کیفیت خواب و علائم افسردگی به عنوان عوامل تبیین‌کننده بخشی از این ارتباط را بررسی کرد. روش‌ها: این مطالعه مقطعی، بزرگسالان شاغل ۱۸ تا ۶۰ ساله مبتلا به T2D را از بخش‌های غدد سه بیمارستان عمومی سطح سوم در منطقه خودمختار نینگ‌شیا هوی، چین، از ژانویه تا آوریل ۲۰۲۶ جذب کرد. جت‌لگ اجتماعی با استفاده از پرسشنامه Micro Munich Chronotype Questionnaire محاسبه شد؛ کیفیت خواب، علائم افسردگی و خودمدیریتی دیابت به‌ترتیب با شاخص کیفیت خواب پیتسبورگ، پرسشنامه سلامت بیمار-۹ (PHQ-9) و خلاصه فعالیت‌های مراقبت از دیابت (SDSCA) ارزیابی شدند. رگرسیون خطی چندمتغیره و تحلیل میانجی‌گری زنجیره‌ای با ۵۰۰۰ بازنمونه‌گیری بوت‌استرپ انجام شد. یافته‌ها: مجموعاً ۳۳۹ شرکت‌کننده مورد تحلیل قرار گرفتند. هر ساعت افزایش جت‌لگ اجتماعی با نمره بالاتر PSQI (B = 1.352، فاصله اطمینان ۹۵٪: 1.042 تا 1.663)، نمره بالاتر PHQ-9 (B = 3.772، فاصله اطمینان ۹۵٪: 3.314 تا 4.229) و نمره پایین‌تر SDSCA (B = −6.623، فاصله اطمینان ۹۵٪: −7.566 تا −5.679) همراه بود. ارتباط مستقیم پس از وارد کردن نمرات PSQI و PHQ-9 همچنان معنادار باقی ماند (B = −3.830، فاصله اطمینان ۹۵٪: −5.048 تا −2.611). ارتباط غیرمستقیم خاص از طریق علائم افسردگی به تنهایی برابر با −2.230 (فاصله اطمینان بوت‌استرپ ۹۵٪: −3.053 تا −1.469) و ارتباط غیرمستقیم زنجیره‌ای از طریق کیفیت خواب و علائم افسردگی برابر با −0.314 (فاصله اطمینان بوت‌استرپ ۹۵٪: −0.534 تا −0.150) بود. نتیجه‌گیری: جت‌لگ اجتماعی بیشتر با خودمدیریتی ضعیف‌تر دیابت همراه بود. ارتباطات غیرمستقیم معناداری از طریق علائم افسردگی به تنهایی و همچنین از طریق مسیر زنجیره‌ای کیفیت خواب تا علائم افسردگی مشاهده شد. این ارتباطات به دلیل مقطعی بودن داده‌ها، ترتیب زمانی یا میانجی‌گری علّی را اثبات نمی‌کنند.