Glycemic Variability in Patients With Early Type 2 Diabetes: The Impact of Improvement in β-Cell Function
Notice bibliographique
Résumé
OBJECTIVE Increased glycemic variability has been reported to be associated with the risk of hypoglycemia and possibly diabetes complications and is believed to be due to β-cell dysfunction. However, it is not known whether improvement in β-cell function can reduce glycemic variability. Because short-term intensive insulin therapy (IIT) can improve β-cell function in early type 2 diabetes (T2DM), our objective was to determine whether the β-cell functional recovery induced by this therapy is associated with decreased glycemic variability. RESEARCH DESIGN AND METHODS Sixty-one patients with T2DM of 3.0 years mean duration underwent 4 weeks of IIT, which consisted of basal insulin detemir and premeal insulin aspart. Glucose variability was assessed in both the first and the last week by the coefficient of variation of capillary glucose on daily 6-point self-monitoring profiles. β-Cell function before and after IIT was assessed with the Insulin Secretion-Sensitivity Index-2 (ISSI-2). RESULTS Between the first and the last week on IIT, 55.7% of patients had a reduction in glucose variability. Change in glucose variability was negatively correlated with the change in β-cell function (ISSI-2) (r = -0.34, P = 0.008). On multiple linear regression analyses, percentage change in ISSI-2 emerged as the only factor independently associated with the change in glucose variability (standardized β = -0.42, P = 0.03). Moreover, patients with an increase in ISSI-2 ≥25% experienced a reduction in glucose variability compared with their peers who had almost no change (-0.041 ± 0.06 vs. -0.0002 ± 0.04, respectively; P = 0.006). CONCLUSIONS In early T2DM, glycemic variability is a modifiable parameter that can be reduced by improving β-cell function with short-term IIT.
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) | 0,000 | 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 | 0,000 |
| 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 ».