Notice bibliographique
Résumé
BACKGROUND: Type 2 diabetes mellitus is known to be associated with environmental, behavioral, and lifestyle factors such as a sedentary lifestyle, overly rich nutrition, and obesity. However, the day-to-day human-environment interactions and real-life activities that cause an individual's blood glucose to fluctuate remain relatively unexplored, owing in part to data collection challenges. This article presents a novel data collection system that overcomes these challenges and allows exploration of the spatial correlates of blood glucose fluctuation. METHODS: An automated monitoring system was developed combining a Global Positioning System (GPS) receiver with a continuous blood glucose monitor. The GPS was used to elicit a second-by-second accounting of an individual's daily activities alongside blood glucose measurement every 5 min. A pilot study of 40 diabetes patients was conducted over a 72-h period. Geographic Information System software was used to generate blood glucose maps, incorporating methods to deal with scale issues, overlapping data, and to protect subject identity. RESULTS: Individual blood glucose variation maps revealed a variety of distinct patterns. Most subjects had at least two major anchor points in their life combined with a variety of other activity locations at varying distances from home, many associated with quite distinct low or high blood glucose values. Further statistical analysis revealed location and distance from home were significantly correlated with blood glucose variation-although the strength and direction of the effect was quite mixed. CONCLUSIONS: Results suggests that blood glucose and space/location are highly correlated and should be considered further as a lifestyle-related risk factor for diabetes patients. In the future, patients and caregivers may benefit from individualized visualization tools that help identify problematic locations that require special attention.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».