Lag Time Remains with Newer Real-Time Continuous Glucose Monitoring Technology During Aerobic Exercise in Adults Living with Type 1 Diabetes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle