NerveCheck for the Detection of Sensory Loss and Neuropathic Pain in Diabetes
Notice bibliographique
Résumé
BACKGROUND: Accurate and economic detection of nerve damage in diabetes is key to more widespread diagnosis of patients with diabetic peripheral neuropathy (DPN) and painful diabetic neuropathy. This study examined the diagnostic performance of NerveCheck, an inexpensive ($500) quantitative sensory testing (QST) device. METHODS: One hundred forty-four subjects (74 with and 70 without diabetes) underwent assessment with NerveCheck, neuropathy disability score (NDS), nerve conduction studies (NCS), intraepidermal and corneal nerve fiber density (IENFD and CNFD), and McGill questionnaire for neuropathic pain. RESULTS: Of the 74 subjects with diabetes, 41 were diagnosed with DPN based on the NDS. The NerveCheck scores for vibration perception threshold (VPT), cold perception threshold (CPT), and warm perception threshold (WPT) were significantly lower (P ≤ 0.0001) in diabetic patients with DPN compared to patients without DPN. The diagnostic accuracy of VPT was high with reference to NCS (area under the curve [AUC]: 82%-84%) and moderate for IENFD, CNFD, and neuropathic pain (AUC: 60%-76%). The diagnostic accuracy of CPT and WPT was moderate with reference to NCS, IENFD, and CNFD (AUC: 69%-78%) and low for neuropathic pain (AUC: 63%-65%). CONCLUSIONS: NerveCheck is a low-cost QST device with good diagnostic utility for identifying sensory deficits, comparable to established tests of large and small fiber neuropathy and for the severity of neuropathic pain.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».