Prediction of Type 2 Diabetes Using Simple Measures of Insulin Resistance
Notice bibliographique
Résumé
To determine and formally compare the ability of simple indexes of insulin resistance (IR) to predict type 2 diabetes, we used combined prospective data from the San Antonio Heart Study, the Mexico City Diabetes Study, and the Insulin Resistance Atherosclerosis Study, which include well-characterized cohorts of non-Hispanic white, African-American, Hispanic American, and Mexican subjects with 5-8 years of follow-up. Poisson regression was used to assess the ability of each candidate index to predict incident diabetes at the follow-up examination (343 of 3,574 subjects developed diabetes). The areas under the receiver operator characteristic (AROC) curves for each index were calculated and statistically compared. In pooled analysis, Gutt et al.'s insulin sensitivity index at 0 and 120 min (ISI(0,120)) displayed the largest AROC (78.5%). This index was significantly more predictive (P < 0.0001) than a large group of indexes (including those by Belfiore, Avignon, Katz, and Stumvoll) that had AROC curves between 66 and 74%. These findings were essentially similar both after adjustment for covariates and when analyses were conducted separately by glucose tolerance status and ethnicity/study subgroups. In conclusion, we found substantial differences between published IR indexes in the prediction of diabetes, with ISI(0,120) consistently showing the strongest prediction. This index may reflect other aspects of diabetes pathogenesis in addition to IR, which might explain its strong predictive abilities despite its moderate correlation with direct measures of IR.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».