The challenges of achieving postprandial glucose control using closed‐loop systems in patients with type 1 diabetes
Notice bibliographique
Résumé
For patients with type 1 diabetes, closed-loop delivery systems (CLS) combining an insulin pump, a glucose sensor and a dosing algorithm allowing a dynamic hormonal infusion have been shown to improve glucose control when compared with conventional therapy. Yet, reducing glucose excursion and simplification of prandial insulin doses remain a challenge. The objective of this literature review is to examine current meal-time strategies in the context of automated delivery systems in adults and children with type 1 diabetes. Current challenges and considerations for post-meal glucose control will also be discussed. Despite promising results with meal detection, the fully automated CLS has yet failed to provide comparable glucose control to CLS with carbohydrate-matched bolus in the post-meal period. The latter strategy has been efficient in controlling post-meal glucose using different algorithms and in various settings, but at the cost of a meal carbohydrate counting burden for patients. Further improvements in meal detection algorithms or simplified meal-priming boluses may represent interesting avenues. The greatest challenges remain in regards to the pharmacokinetic and dynamic profiles of available rapid insulins as well as sensor accuracy and lag-time. New and upcoming faster acting insulins could provide important benefits. Multi-hormone CLS (eg, dual-hormone combining insulin with glucagon or pramlintide) and adjunctive therapy (eg, GLP-1 and SGLT2 inhibitors) also represent promising options. Meal glucose control with the artificial pancreas remains an important challenge for which the optimal strategy is still to be determined.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,001 |
| 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 ».