Would sickle cell trait influence the metabolic control in sub‐Saharan individuals with type 2 diabetes?
Notice bibliographique
Résumé
AIMS: To determine the prevalence and effects of sickle cell trait on metabolic control in a Cameroonian diabetic population in a tertiary care setup. METHODS: This was a cross-sectional study involving 73 consecutive outpatients with Type 2 diabetes recruited from the Yaounde National Diabetes and Obesity Centre. Sickle cell trait status was based on haemoglobin electrophoresis. Metabolic control was assessed by plasma glucose and HbA(1c), and comparisons made between participants with and without sickle cell trait, with adjustment for confounders through linear regressions models. RESULTS: The prevalence of sickle cell trait was 19%, without sex difference, and comparable with figures in individuals without diabetes in this setting. Participants with diabetes and sickle cell trait were older than the non-trait participants (66 vs. 58 years, P = 0.02). Otherwise, clinical and biological profile including indicators of metabolic control were similarly distributed between trait and non-trait participants (all P >0.08). After adjustment for confounders, sickle cell trait was unrelated to fasting glucose (β = 0.02; 95% confidence interval -37.68-43.30) and HbA(1c) (β = -0.03, 95% confidence interval -1.18-0.93), and did not affect the relationship between the two markers of diabetes control (β = -0.03, 95% confidence interval -1.18-0.89). CONCLUSIONS: Sickle cell trait was as frequent in this subgroup of patients with Type 2 diabetes as in the general population, suggesting no specific association with diabetes. It does not affect the metabolic control of diabetes. However, how this translates into long-term outcome needs to be fully elucidated in this setting, with an increasing population with both sickle cell trait and diabetes mellitus.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».