Diabetes Data Management System to Improve Glycemic Control in People With Type 1 Diabetes: Prospective Cohort Study
Notice bibliographique
Résumé
Background: Smartphone and Web technology can improve the health care process, especially in chronic diseases. Objective: The aim of this study was to investigate whether the use of blood glucose (BG) data management system, which enables connection to smartphones, the Web, the cloud, and downloading, can improve glycemic control in subjects with type 1 diabetes mellitus (T1DM). Methods: This study was a prospective, single-arm, cohort feasibility study with 6 months of duration. T1DM subjects enrolled had experience in self-monitoring blood glucose, but were download data naïve. Fasting BG and glycated hemoglobin (HbA1c) were collected at the enrollment and at follow-up. Subjects were divided into Downloader (DL) and No-downloader (NDL). Results: A total of 63 subjects were analyzed, of which 30 were classified as DL and 33 as NDL. At the end of the study, DL had significantly lower HbA1c, mean daily glucose, standard deviation, percentage of BG values above target, and pre- and postprandial (lunch and dinner) values compared with NDL (all P<.05). The percentage of BG values within treatment target was significantly higher in DL compared with NDL (47% [SD 9] vs 37% [SD 13]; P=.001). Conclusions: The findings suggest that, in T1DM, downloading of BG from data management system, which enables connection to smartphones, the Web, and the cloud, might be a valuable contributor to improved glycemic control.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».