1615-P: A Multicountry Trend Analysis of Diabetes Incidence
Notice bibliographique
Résumé
Several studies have suggested a fall or stabilisation of diabetes incidence rates in the last decade. We therefore conducted a multi-country analysis of trends in diabetes incidence over time. Data from 16 countries comprising 17 administrative sources and one set of annual surveys were analysed according to a standard protocol mainly from the period 1995-2015. We modelled incidence rates using age and calendar time as quantitative variables (scored as the midpoint of each interval), and using restricted cubic splines with 6 knots for age and one knot per 4 years of observation for calendar time. The estimated rates from the models were presented as age- and sex-standardized rates (standardized to the 2010 EU population) for each centre to provide an overview of general trends. To formally assess temporal changes in incidence rates, we also fitted joinpoint models with joinpoints at one of the dates 2009, 2010, 2011, and 2012, estimating the average trend before and after the joinpoint. Among the 18 populations we assembled, 4 of the studies were from predominantly non-Europid populations (Taiwan, Korea, Singapore, Hong Kong) and only 2 of the studies were from middle-income countries (Ukraine and Latvia). In general, from 2000 (or when data were available) until 2010 we saw increasing trends in incidence rates in populations from the U.S., Canada, Australia, Denmark, UK, Spain, Scotland and Latvia, while we saw decreasing incidence rates in Israel, Italy, UK, Hong Kong, Taiwan and Korea. In contrast, after 2010, incidence rates appeared stable or decreasing in 14/18 centres, with U.S. (Kaiser Permanente Healthcare), Ukraine, Singapore, and Taiwan showing increasing trend of diabetes incidence. In conclusion, incidence rates of diabetes have shown a tendency to stabilise or even fall across some high-income populations in Europe, Asia, Canada and Australia. Patterns in low to middle income countries may be different, but little information is currently available from these. Disclosure D.J. Magliano: None. R.M. Islam: None. L. Chen: None. B. Carstensen: Consultant; Self; Leo Pharma. Speaker's Bureau; Self; Novo Nordisk A/S. Stock/Shareholder; Self; Novo Nordisk Inc. M.E. Pavkov: None. E.W. Gregg: None. M. Tabesh: None. D. Koye: None. J.L. Harding: None. J.E. Shaw: Advisory Panel; Self; Abbott, Merck Sharp & Dohme Corp. Speaker's Bureau; Self; AstraZeneca, Mylan, Roche Diabetes Care, Sanofi-Aventis. Funding Centers for Disease Control and Prevention
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,008 | 0,013 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».