Notice bibliographique
Résumé
Recent upswings in the use of continuous glucose monitoring (CGM) technologies have given people with diabetes and healthcare professionals unprecedented access to a range of new indicators of glucose control. Some of these metrics are useful research tools and others have been welcomed by patient groups for providing insights into the quality of glucose control not captured by conventional laboratory testing. Among the latter, time in range (TIR) is an intuitive metric that denotes the proportion of time that a person’s glucose level is within a desired target range (usually 3.9–10.0 mmol/l [3.5–7.8 mmol/l in pregnancy]). For individuals choosing to use CGM technology, TIR is now often part of the expected conversation between patient and healthcare professional, and consensus recommendations have recently been produced to facilitate the adoption of standardised TIR targets. At a regulatory level, emerging evidence linking TIR to risk of complications may see TIR being more widely accepted as a valid endpoint in future clinical trials. However, given the skewed distribution of possible glucose values outside of the target range, TIR (on its own) is a poor indicator of the frequency or severity of hypoglycaemia. Here, the state-of-the-art linking TIR with complications risk in diabetes and the inverse association between TIR and HbA 1c are reviewed. Moreover, the importance of including the amount and severity of time below range (TBR) in any discussions around TIR and, by inference, time above range (TAR) is discussed. This review also summarises recent guidance in setting ‘time in ranges’ goals for individuals with diabetes who wish to make use of these metrics. For most people with type 1 or type 2 diabetes, a TIR >70%, a TBR <3.9 mmol/l of <4%, and a TBR <3.0 mmol/l of <1% are recommended targets, with less stringent targets for older or high-risk individuals and for those under 25 years of age. As always though, glycaemic targets should be individualised and rarely is that more applicable than in the personal use of CGM and the data it provides.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,005 |
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 ».