Comparison of effectiveness among five screening tests for diabetic peripheral neuropathy
Notice bibliographique
Résumé
Objective Five simple screening tests, including Toronto clinical scoring system(TCSS), Michigan neuropathy screening instrument(MNSI), Diabetic neuropathy symptom score(DNS) , vibration testing by a 128-Hz tuning fork,and 10g semmes-weinstein monofilament examination(SWME), were analyzed in T2DM to evaluate the effectiveness for diabetic peripheral neuropathy(DPN). Methods 419 patients with type 2 diabetes mellitus underwent the measurements of DPN with TCSS,MNSI,DNS,128-Hz tuning fork and 10g-SWME. DPN was diagnosed by neurological examination,motor and sensory nerve conduction velocity,vibration perception threshold,and warm and cold thermal perception threshold. The effectiveness of the five tests was assessed by using ROC curve analysis. Results There were significant differences in age,duration of diabetes , duration of symptoms for diabetic neuropathy between two groups(all P value 0.001).All five screening tests were significantly associated with NCV,warm and cold thermal perception threshold and vibration perception threshold(all P value 0.001).TCSS showed the best correlation with NCV and thermal perception threshold. Area under the ROC curve values for TCSS,MNSI,DNS,tuning fork and 10g-SWME test were 0.855,0.679,0.669,0.716,0.599,respectively.The optimal cut-points of them provided sensitivity of 79.9%,51.1%,62.3%,43.7%,20.5%, and specificity of 77.5%,79.5%,67.5%,99.3%,99.3%, respectively. Conclusions For screening DPN, simple tool tests are not always reliable and the results from general clinical examination may be a good way.
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 | 0,010 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| 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 | 0,001 | 0,000 |
| 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 ».