MétaCan
Menu
Retour à la cohorte
Enregistrement W2133099948 · doi:10.1089/dia.2011.0052

Preventing Exercise-Induced Hypoglycemia in Type 1 Diabetes Using Real-Time Continuous Glucose Monitoring and a New Carbohydrate Intake Algorithm: An Observational Field Study

2011· article· en· W2133099948 sur OpenAlexafffund
Michael C. Riddell, Jill Milliken

Notice bibliographique

RevueDiabetes Technology & Therapeutics · 2011
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Management and Research
Établissements canadiensYork University
Organismes subventionnairesYork University
Mots-clésHypoglycemiaContinuous glucose monitoringMedicineDiabetes mellitusInternal medicineCarbohydrateType 1 diabetesEndocrinologyAlgorithmType 2 Diabetes MellitusObservational studyIncidence (geometry)Mathematics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Real-time (RT) continuous glucose monitoring (CGM) offers the possibility to better manage glucose levels during exercise in active individuals with type 1 diabetes mellitus (T1DM). However, studies have yet to determine the appropriate actions to take when glucose levels are trending toward hypoglycemia. The purpose of this observational field study was to test the effectiveness of RT-GCM and a new carbohydrate intake algorithm designed for maintaining euglycemia during sports. METHODS: During a 2-week sports camp, 25 adolescents (8-17 years old) with T1DM were fitted with a RT-CGM device and instructed to ingest fast-acting carbohydrates (8-20 g, depending on the concentration of glucose at the time of RT-CGM alert and rates of change in glycemia) when glucose levels were trending toward hypoglycemia. Rates of change in glucose were measured before and after algorithm use, and the incidence of hypoglycemia was documented. RESULTS: With RT-CGM and algorithm use, euglycemia was largely maintained with modest amounts of carbohydrate intake, even when glucose levels were initially dropping at an elevated rate (>0.55 mmol/L per 5 min). Mild biochemical hypoglycemia (3.0-3.9 mmol/L) occurred just twice out of 22 uses of the algorithm (9%) when trend arrows alerted the subjects that glucose levels were dropping. When glucose levels were already below target (<5.0 mmol/L), mild hypoglycemia occurred five times out of 13 events (38%), despite 16 g of carbohydrate being ingested. Average glucose levels during sports in the 60 min following algorithm use were 5.8 ± 1.2 mmol/L, 5.3 ± 1.0 mmol/L, and 6.2 ± 0.8 mmol/L in the 20-, 16-, and 8-g carbohydrate intake protocols when glucose levels were initially on target but dropping toward hypoglycemia. CONCLUSION: When coupled with RT-CGM, a new carbohydrate intake algorithm prevents hypoglycemia and maintains euglycemia during exercise, particularly if patients ingest carbohydrate when trend arrows alert them of a drop in glycemia.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,121
Tête enseignante GPT0,338
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations146
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDiabetes Technology & TherapeuticsMême sujetDiabetes Management and ResearchTravaux en français237 207