MétaCan
Menu
← Retour à la cohorte
Enregistrement W2947919536 · doi:10.1093/pch/pxz066.079

80 Prediabetes: An Emerging Health Concern in Urban Living Adolescents

2019· article· en· W2947919536 sur OpenAlexaffabout
Shelley Spurr, Jill Bally, Erick McNair, Carol Bullin

Notice bibliographique

RevuePaediatrics & Child Health · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Management and Research
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésPrediabetesLibrary scienceSociologyGerontologyMedicineDiabetes mellitusComputer science

Résumé

récupéré en direct d'OpenAlex

Previously considered an adult disease and non-existent in the pediatric population in the late 20th century, type 2 diabetes has now become one of the fastest growing pediatric chronic diseases worldwide 1. A Canadian national surveillance study found an incidence of type 2 diabetes in children and adolescents of 1.54 per 100,000 per year 3. As a result, this current health issue is of great interest to researchers and clinicians around the world. 1. Dean HJ, Sellers EA. Children have type 2 diabetes too: An historical perspective. Biochemistry Cell Biology 2015;93(5):425–9. 2. Amed S, Dean HJ, Panagiotopoulos C, et al. Type 2 diabetes, medication-induced diabetes, and monogenic diabetes in Canadian children: a prospective national surveillance study. Diabetes Care 2010;33(4):786–91. The purpose of this study was to investigate the prevalence rates and risk factors of prediabetes and type 2 diabetes in adolescents attending two predominantly multicultural Canadian urban secondary schools. The study was guided by the following research questions: 1. Are the following risk factors present in adolescents attending two predominantly multicultural Canadian urban secondary schools: ethnicity, body mass index, blood glucose tolerance, and blood pressure? 2. What are the prevalence rates of prediabetes and type 2 diabetes in adolescents attending two predominantly multicultural Canadian urban secondary schools? In this exploratory quantitative study, a total of 266 adolescents, aged 14–21, were screened for risk factors of prediabetes and type 2 diabetes. Data with respect to demographics, family history of diabetes, anthropometrics, blood pressure, and hemoglobin A1c (HbA1c) were collected. Data analysis was done using descriptive and inferential statistics in addition to chi-square analyses. Based on body mass index, 37.2% of the adolescents were classified as either overweight or obese, with females predominantly overweight and males predominantly obese. Based on HbA1c levels, 29.3% were at high risk to develop either diabetes or prediabetes, and 2.6% were classified in the prediabetes range. Many participants with elevated HbA1c were overweight/obese (36.5%), with more than twice as many females than males presenting as overweight. Prehypertension/hypertension rates of 48.5% in the sample increased to 50.6% in those adolescents with elevated HbA1c; the majority of these prehypertensive/hypertensive participants were male. High rates of overweight/obesity and prehypertension/hypertension were found in the adolescents studied and indicated the presence of prediabetes and an increased risk to develop type 2 diabetes and associated complications. Thus, timely research is needed to identify age-appropriate strategies that address risks and to develop recommendations for routine screening of adolescents for prediabetes. Weight and Blood Pressure Classification for those with Elevated A1c by Sex

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)0,001
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,356
Score d'incertitude au seuil0,707

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
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 Opus0,024
Tête enseignante GPT0,326
Écart entre enseignants0,302 · 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

Citations0
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePaediatrics & Child Health→Même sujetDiabetes Management and Research→Travaux en français237 207→