The association between sociodemographic and clinical characteristics and poor glycaemic control: a longitudinal cohort study
Notice bibliographique
Résumé
Abstract Aims People with diabetes and poor glycaemic control are at higher risk of diabetes‐related complications and incur higher healthcare costs. An understanding of the sociodemographic and clinical characteristics associated with poor glycaemic control is needed to overcome the barriers to achieving care goals in this population. Methods We used linked administrative and laboratory data to create a provincial cohort of adults with prevalent diabetes, and a measure of HbA 1c that occurred at least 1 year following the date of diagnosis. The primary outcome was poor glycaemic control, defined as at least two consecutive HbA 1c measurements ≥ 86 mmol/mol (10%), not including the index measurement, spanning a minimum of 90 days. We used multivariable Cox proportional hazards models to evaluate the association between baseline sociodemographic and clinical factors and poor glycaemic control. Results In this population‐based cohort of 169 890 people, younger age was significantly associated with sustained poor glycaemic control, with a hazard ratio ( HR ) of 3.08, 95% CI (2.79–3.39) for age 18–39 years compared with age ≥ 75 years. Longer duration of diabetes, First Nations status, lower neighbourhood income quintile, history of substance abuse, mood disorder, cardiovascular disease, albuminuria and high LDL cholesterol were also associated with poor glycaemic control. Conclusions Although our results may be limited by the observational nature of the study, the large geographically defined sample size, longitudinal design and robust definition of poor glycaemic control are important strengths. These findings demonstrate the complexity associated with poor glycaemic control and indicate a need for tailored interventions.
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 | 0,008 | 0,004 |
| 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 | 0,001 |
| 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 ».