Evaluation of Precision and Bias Specifications Required to Achieve the 2018 FDA Guidance Criteria for Glucose Meter Performance Using Simulation Models
Notice bibliographique
Résumé
BACKGROUND: The objective of this study was to estimate the combinations of total bias and total imprecision required for devices to meet the Food and Drug Administration (FDA) specifications using Monte Carlo simulation rather than collection and analysis of experimental data. METHODS: A model Gaussian distribution of true-glucose values was altered by adding bias and imprecision to create measured-glucose values affected by analytic error. The fraction of measured-glucose values that met the 2018 FDA criteria for blood glucose monitoring system (BGMS) or self-monitoring blood glucose (SMBG) devices was determined as a function of bias and imprecision. RESULTS: The BGMS model determined that a maximum total imprecision of 6% was required with no bias, and with a total bias of +10 mg/dL the total imprecision allowed was reduced to 5% to achieve the 95% FDA performance expectation: 95% of results ≥75 mg/dL within ±12% and 95% of results <75 mg/dL within ±12 mg/dL. The SMBG model determined that a maximum total imprecision of 6% was required at no bias, and with a total bias of +10 mg/dL the total imprecision allowed was reduced to 4% to achieve the 98% FDA expectation: 98% of results ±75 mg/dL within ±15% and 98% of results <75 mg/dL within ±15 mg/dL. CONCLUSIONS: The 2018 FDA guidance criteria require strict conditions for glucose meter clinical trials to achieve <10 mg/dL total bias and total imprecision of <5%. Total imprecision and bias values assessed in models in this study represent the cumulative imprecision and bias errors for the glucose meters, the reference method, and preanalytic processes.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».