Preventing foot ulceration in diabetes: systematic review and meta-analyses of RCT data
Notice bibliographique
Résumé
AIMS/HYPOTHESIS: Foot ulceration is a serious complication for people with diabetes that results in high levels of morbidity for individuals and significant costs for health and social care systems. Nineteen systematic reviews of preventative interventions have been published, but none provides a reliable numerical summary of treatment effects. The aim of this study was to systematically review the evidence from RCTs and, where possible, conduct meta-analyses to make the best possible use of the currently available data. METHODS: We conducted a systematic review and meta-analysis of RCTs of preventative interventions for foot ulceration. OVID MEDLINE and EMBASE were searched to February 2019 and the Cochrane Central Register of Controlled Trials to October 2018. RCTs of interventions to prevent foot ulcers in people with diabetes who were free from foot ulceration at trial entry were included. Two independent reviewers read the full-text articles and extracted data. The quality of trial reporting was assessed using the Cochrane Risk of Bias tool. The primary outcome of foot ulceration was summarised using pooled relative risks in meta-analyses. RESULTS: Twenty-two RCTs of eight interventions were eligible for analysis. One trial of digital silicone devices (RR 0.07 [95% CI 0.01, 0.55]) and meta-analyses of dermal infrared thermometry (RR 0.41 [95% CI 0.19, 0.86]), complex interventions (RR 0.59 [95% CI 0.38, 0.90], and custom-made footwear and offloading insoles (RR 0.53 [95% CI 0.33, 0.85]) showed beneficial effects for these interventions. CONCLUSIONS/INTERPRETATION: Four interventions were identified as being effective in preventing foot ulcers in people with diabetes, but uncertainty remains about what works and who is most likely to benefit.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,011 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».