A pilot <scp>non‐inferiority</scp> randomized controlled trial to assess automatic adjustments of insulin doses in adolescents with type 1 diabetes on multiple daily injections therapy
Notice bibliographique
Résumé
BACKGROUND: Multiple daily injections (MDI) therapy for type 1 diabetes involves basal and bolus insulin doses. Non-optimal insulin doses contribute to the lack of satisfactory glycemic control. We aimed to evaluate the feasibility of an algorithm that optimizes daily basal and bolus doses using glucose monitoring systems for MDI therapy users. METHODS: We performed a pilot, non-inferiority, randomized, parallel study at a diabetes camp comparing basal-bolus insulin dose adjustments made by camp physicians (PA) and a learning algorithm (LA), in children and adolescents on MDI therapy. Participants wore a glucose sensor and underwent 11 days of daily dose adjustments in either arm. Algorithm adjustments were reviewed and approved by a physician. The last 7 days were examined for outcomes. RESULTS: Twenty-one youths (age 13.3 [SD, 3.7] years; 13 females; HbA1c 8.6% [SD, 1.8]) were randomized to either group (LA [n = 10] or PA [n = 11]). The algorithm made 293 adjustments with a 92% acceptance rate from the camp physicians. In the last 7 days, the time in target glucose (3.9-10 mmol/L) in LA (39.5%, SD, 20.7) was similar to PA (38.4%, SD, 15.6) (P = .89). The number of hypoglycemic events per day in LA (0.3, IQR, [0.1-0.6]) was similar to PA (0.2, IQR, [0.0-0.4]) (P = .42). There was no incidence of severe hypoglycemia nor ketoacidosis. CONCLUSIONS: In this pilot study, glycemic outcomes in the LA group were similar to the PA group. This algorithm has the potential to facilitate MDI therapy, and longer and larger studies are warranted.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».