Glucose Meter Performance Criteria for Tight Glycemic Control Estimated by Simulation Modeling
Notice bibliographique
Résumé
BACKGROUND: Glucose meter analytical performance criteria required for safe and effective management of patients on tight glycemic control (TGC) are not currently defined. We used simulation modeling to relate glucose meter performance characteristics to insulin dosing errors during TGC. METHODS: We used 29,920 glucose values from patients on TGC at 1 institution to represent the expected distribution of glucose values during TGC, and we used 2 different simulation models to relate glucose meter analytical performance to insulin dosing error using these 29,920 initial glucose values and assuming 10%, 15%, or 20% total allowable error (TEa) criteria. RESULTS: One-category insulin dosing errors were common under all error conditions. Two-category insulin dosing errors occurred more frequently when either 20% or 15% TEa was assumed compared with 10% total error. Dosing errors of 3 or more categories, those most likely to result in hypoglycemia and thus patient harm, occurred infrequently under all error conditions with the exception of 20% TEa. CONCLUSIONS: Glucose meter technologies that operate within a 15% total allowable error tolerance are unlikely to produce large (>or=3-category) insulin dosing errors during TGC. Increasing performance to 10% TEa should reduce the frequency of 2-category insulin dosing errors, although additional studies are necessary to determine the clinical impact of such errors during TGC. Current criteria that allow 20% total allowable error in glucose meters may not be optimal for patient management during TGC.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».