MétaCan
Menu
Retour à la cohorte
Enregistrement W2944746936 · doi:10.1089/dia.2018.0364

Lag Time Remains with Newer Real-Time Continuous Glucose Monitoring Technology During Aerobic Exercise in Adults Living with Type 1 Diabetes

2019· article· en· W2944746936 sur OpenAlexaff
Dessi P. Zaharieva, Kamuran Turksoy, Sarah McGaugh, Rubin Pooni, Todd Vienneau, Trang T. Ly, Michael C. Riddell

Notice bibliographique

RevueDiabetes Technology & Therapeutics · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Management and Research
Établissements canadiensLMC Diabetes & Endocrinology (Canada)York University
Organismes subventionnairesDexcomInsulet Corporation
Mots-clésMedicineType 1 diabetesInterquartile rangeAerobic exerciseContinuous glucose monitoringDiabetes mellitusGlycemicInsulin pumpBlood Glucose Self-MonitoringMealType 2 diabetesInternal medicineEndocrinology

Résumé

récupéré en direct d'OpenAlex

Background: Real-time continuous glucose monitoring (CGM) devices help detect glycemic excursions associated with exercise, meals, and insulin dosing in patients with type 1 diabetes (T1D). However, the delay between interstitial and blood glucose may result in CGM underestimating the true change in glycemia during activity. The purpose of this study was to examine CGM discrepancies during exercise and the meal postexercise versus self-monitoring of blood glucose (SMBG). Methods: Seventeen adults with T1D using insulin pump therapy and CGM completed 60 min of aerobic exercise on three occasions. A standardized meal was given 30 min postexercise. SMBG was measured during exercise and in recovery using OmniPod ® Personal Diabetes Manager (PDM; Insulet, Billerica, MA) with built-in glucose meter (FreeStyle; Abbott Laboratories, Abbott Park, IL), while CGM was measured with Dexcom G4 ® with 505 algorithm ( n = 4) or G5 ® ( n = 13), which were calibrated with subjects' own PDM. Results: SMBG showed a large drop in glycemia during exercise, while CGM showed a lag of 12 ± 11 (mean ± standard deviation) minutes and bias of −7 ± 19 mg/dL/min during activity. Mean absolute relative difference (MARD) for CGM versus SMBG was 13 (6–22)% [median (interquartile range)] during exercise and 8 (5–14)% during mealtime. Clarke error grids showed CGM values were in zones A and B 94%–99% of the time for SMBG. Conclusion: In summary, the drop in CGM lags behind the drop in blood glucose during prolonged aerobic exercise by 12 ± 11 min, and MARD increases to 13 (6–22)% during exercise as well. Therefore, if hypoglycemia is suspected during exercise, individuals should confirm glucose levels with a capillary glucose measurement.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,228
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations137
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDiabetes Technology & TherapeuticsMême sujetDiabetes Management and ResearchTravaux en français237 207