Estimates of Total Analytical Error in Consumer and Hospital Glucose Meters Contributed by Hematocrit, Maltose, and Ascorbate
Notice bibliographique
Résumé
BACKGROUND: Patients and physicians expect accurate whole blood glucose monitoring even when patients are anemic, are undergoing peritoneal dialysis, or have slightly elevated ascorbate levels. The objective of this study was to estimate analytical error in two consumer and two hospital glucose meters contributed by variations in hematocrit, maltose, ascorbate, and imprecision. METHODS: The influence of hematocrit (20-60%), maltose, and ascorbate were tested alone and in combination with each glucose meter and with a reference plasma glucose method at three concentrations of glucose. Precision was determined by consecutive analysis (n=20) at three levels of glucose. Multivariate regression analysis was used to estimate the bias associated with the interferences, alone and in combination. Total analytical error was estimated as |% bias|+1.96 (% imprecision). RESULTS: Three meters demonstrated hematocrit bias that was dependent upon glucose concentration. Maltose had profound concentration-dependent positive bias on the consumer meters, and the extent of maltose bias was dependent on hematocrit. Ascorbate produced small but statistically significant biases on three meters. Coincident low hematocrit, presence of maltose, and presence of ascorbate increased the observed bias and was summarized by estimation of total analytical error. Among the four glucose meter devices assessed, estimates of total analytical error in glucose measurement ranged from 6 to 68% under the conditions tested. CONCLUSIONS: The susceptibility of glucose meters to clinically significant analytical biases is highly device-dependent, and low hematocrit exacerbated the observed analytical error.
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 | 0,002 |
| 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 | 0,002 |
| 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 ».