Increasing the Accuracy of Oral Glucose Tolerance Testing and Extending Its Application to Individuals With Normal Glucose Tolerance for the Prediction of Type 1 Diabetes
Notice bibliographique
Résumé
OBJECTIVE: We assessed the extent to which both standard and alternative indexes from 2-h oral glucose tolerance testing predict type 1 diabetes and whether oral glucose tolerance tests (OGTTs) predict type 1 diabetes in individuals with normal glucose tolerance. RESEARCH DESIGN AND METHODS: The prediction of type 1 diabetes from baseline OGTTs was studied in 704 Diabetes Prevention Trial-Type 1 participants (islet-cell autoantibody [ICA]-positive relatives of type 1 diabetic patients). The maximum follow-up was 7.4 years. Analyses utilized receiver-operator curves (ROCs), proportional hazards models, and survival curves. RESULTS: ROC areas under the curve (ROCAUCs) for both the AUC glucose (0.73 +/- 0.02) and an OGTT prediction index (0.78 +/- 0.02) were higher (P < 0.001) than those for the fasting (0.53 +/- 0.02) and 2-h glucose (0.66 +/- 0.02). ROCAUCs for the 60- and 90-min glucose (0.71 +/- 0.02 and 0.72 +/- 0.02, respectively) were also higher (P < 0.01) than those for the fasting and 2-h glucose. Among individuals with normal glucose tolerance, OGTTs were highly predictive, with 4th versus 1st quartile hazard ratios for the 2-h glucose, AUC glucose, and OGTT prediction index ranging from 3.77 to 5.30 (P < 0.001 for all). CONCLUSIONS: Certain alternative OGTT indexes appear to better predict type 1 diabetes than standard OGTT indexes in ICA-positive relatives of type 1 diabetic patients. Moreover, even among those with normal glucose tolerance, OGTTs are strongly predictive. This suggests that subtle metabolic abnormalities are present several years before the diagnosis of type 1 diabetes.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».