Changes in Accuracy of Continuous Glucose Monitoring Using Dexcom G4 Platinum Over the Course of Moderate Intensity Aerobic Exercise in Type 1 Diabetes
Notice bibliographique
Résumé
Continuous glucose monitoring (CGM) systems help diabetes management in patients with type 1 diabetes (T1D) but could have lower accuracy during exercise. We aim to evaluate the dynamics of CGM accuracy during exercise in patients with T1D. Secondary analysis of data was carried out on 22 patients with T1D (glycated hemoglobin [HbA 1c ]: 7.3% ± 1.0%, diabetes duration: 23 ± 13 years), who did three exercise sessions (45 min at 60% VO 2max on an ergocycle, 3 h postmeal) with paired Dexcom G4 Platinum, and capillary glucose values that were collected every 5 min. Dexcom accuracy was evaluated using sensor bias (SB) and absolute relative difference (ARD). For dynamics of SB analysis, data pairs following hypoglycemia correction were excluded. The analyzed data included 792 pairs (594 during 66 exercise sessions, 198 at rest before exercise). Median ARD was 8.44 (5.35–12.13)% at rest and increased to 16.77 (10.75–26.72)% during exercise ( P < 0.001). During exercise, mean SB values evolved from T0 minutes = 5.95 ± 16.04 mg/dL (exercise start); T5 = 9.55 ± 16.40; T10 = 13.51 ± 18.02; T15 = 15.32 ± 20.36; T20 = 17.30 ± 18.92; T25 = 19.46 ± 17.48; T30 = 21.08 ± 19.64; T35 = 19.10 ± 20.36; T40 = 19.82 ± 20.18; and T45 = 18.02 ± 20.90 (exercise end). CGM overestimated capillary at a mean SB of 14.23 ± 16.76 mg/dL over the whole exercise session. CGM accuracy decreased during moderate aerobic exercise as previously described. However, the trend to overestimate capillary glucose was maintained at relatively stable values within 15 min of exercise initiation, which could help patients in their clinical decisions. Similar analyses would be needed for other types of exercise.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».