Strategies to detect abnormal glucose metabolism in people at high risk of cardiovascular disease from the ORIGIN (Outcome Reduction with Initial Glargine Intervention) trial population
Notice bibliographique
Résumé
BACKGROUND: To investigate whether the combination of HbA1c and fasting plasma glucose (FPG) can be used for the diagnosis of diabetes and impaired glucose tolerance (IGT) in people at high risk of cardiovascular disease (CVD). METHODS: A cross-sectional study was performed on 2907 people at high risk of cardiovascular events but without a previous diagnosis of diabetes. Optimal cut-off points and the diagnostic potential of FPG, HbA1c, and their combination were determined. RESULTS: The sensitivity of the usually applied FPG cut-off point of 7.0 mmol/L to diagnose diabetes mellitus was low (59.0%). Receiver operating characteristic (ROC) curve analysis indicated that the optimal cut-off points for the diagnosis of diabetes using FPG and HbA1c were 6.4 mmol/L (sensitivity 75.7%; specificity 77.5%; likelihood ratio 3.37) and 5.9% (41 mmol/mol; sensitivity 68.7%; specificity 67.1%; likelihood ratio 2.09), respectively. To diagnose IGT, the optimal cut-off points for FPG and HbA1c were 6.1 mmol/L (sensitivity 57.1%; specificity 57.9%) and 5.7% (39 mmol/mol; sensitivity 63.8%; specificity 60.3%), respectively. For diabetes, combining cut-off points for FPG and HbA1c identified four categories with likelihood ratios ranging from 5.59 to 0.21, and post-test probabilities between 69.3% and 7.8%. For IGT, likelihood ratios varied between 2.05 and 0.56, whereas post-test probabilities ranged from 84.0% to 58.8%. CONCLUSIONS: Using FPG alone results in the underdiagnosis of glucometabolic abnormalities in people at high risk of CVD. Using an algorithm with both HbA1c and FPG improves the detection of diabetes, but not IGT, and could be easily implemented in patient care.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».