Choosing the most appropriate existing type 2 diabetes risk assessment tool for use in the Philippines: a case-control study with an urban Filipino population
Notice bibliographique
Résumé
BACKGROUND: As the prevalence of type 2 diabetes (T2DM) increases in low- to middle-income countries, the burden on individuals and health care systems also increases. The use of diabetes risk assessment tools could identify those at risk, leading to prevention or early detection of diabetes. The aim of this study was to evaluate the appropriateness of 6 existing T2DM risk screening tools in detecting dysglycemia in Zamboanga City, Philippines. METHODS: This study used a case-control design in an urban setting in the southern Philippines. There were 200 participants in two groups: 1) those diagnosed with diabetes (n = 50; recruited from diabetes clinics) and 2) those with no previous diagnosis of diabetes (n = 150; recruited from community locations). Participants completed six tools (the Finnish Diabetes Risk Score [FINDRISC], the Canadian Diabetes Risk Score [CANRISK], the Indian Diabetes Risk Score [IDRS], the American Diabetes Association [ADA] risk score, an Indonesian undiagnosed diabetes mellitus [UDDM] scoring system, and a Filipino tool). Scores were compared to fasting plasma glucose levels, which are recommended in Philippines clinical practice guidelines as a valid, available, and low cost option for T2DM diagnosis. Appropriateness of tools was determined through accuracy, sensitivity, specificity, positive/negative predictive value (PPV, NPV), and positive/negative likelihood ratios. RESULTS: The Filipino tool had the highest specificity (0.73) and PPV (0.27), but lowest sensitivity (0.68). The IDRS and Indonesian UDDM tool had the highest NPV at 0.96, but were not amongst the highest in other scores. The CANRISK tied for highest area under the receiver operating characteristic (ROC) curve (AUC), AUC (0.80), but other scores were not noteworthy. Overall, the FINDRISC was the most effective with highest sensitivity (0.94), tied for highest AUC (0.80), and with middle scores in other variables (specificity: 0.45, PPV: 0.20, NPV: 0.95), when using the published cut-off score of 9. When increasing the cut-off score to 11, specificity increased (0.71) and sensitivity was not greatly affected (0.86). CONCLUSIONS: Our results suggest that the FINDRISC is more suitable than other known diabetes risk assessment tools in an urban Filipino population; effectiveness increased with a higher cut-off score.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».