Specialist‐led diabetes registries and predictors of poor glycemic control in type 2 diabetes: Insights into the functionally refractory patient from the <scp>LMC D</scp>iabetes <scp>R</scp>egistry database
Notice bibliographique
Résumé
BACKGROUND: The aim of the present study was to explore features associated with glycemic control in type 2 diabetes (T2D) patients undergoing care by specialist clinics. METHODS: Literature searches identified diabetes registries whose databases recorded outcomes of specialist care. The LMC Diabetes Registry database (n = 58 280; LMC) was queried to identify patients with T2D who had been seen in a defined 14-month period. Logistic regression modeling was used to identify predictors of glycemic control in these patients. Poor glycemic control was defined as HbA1c ≥9.0% (75 mmol/mol) despite specialist care for ≥1 year. RESULTS: Few published registry-based studies have discussed glycemic control and outcomes of specialist care for T2D. Among 10 590 LMC patients with T2D, mean HbA1c was 7.6% (60 mmol/mol), with 38% of patients meeting the Canadian Diabetes Association target of ≤7.0% (53 mmol/mol). Overall, 15% showed poor glycemic control with persistent HbA1c ≥9.0% (75 mmol/mol); among insulin-treated patients (n = 3856), 28% met this criterion. Patient characteristics independently associated with poor glycemic control included early age of onset, the number of diabetes education program visits, the number of oral therapies, and insulin use. CONCLUSIONS: Type 2 diabetes patients with poor glycemic control are found disproportionately in referral specialist care clinics. These functionally refractory patients demonstrate features that may assist in predicting their potential outcome, and may represent a group with specific barriers to care. Specialist patient registries, such as the LMC Diabetes Registry, may provide critical information regarding this cohort.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».