Comparison study of different scoring systems on screening peripheral neuropathy of diabetic patients
Notice bibliographique
Résumé
Objective To evaluate the effectiveness of the Michigan neuropathy screening instrument (MNSI),the Michigan Diabetic Neuropathy Score(MDNS) and the Toronto Clinical Scoring System(TCSS) in screening diabetic peripheral neuropathy (DPN) in order to find a rapid,simple and accurate way for DPN screening.Methods Three hundred and twenty-seven type 2 diabetic patients were enrolled in the study.All patients received the 4 simple tests including MNSI,MDNS,TCSS and neural electrophysiological test (NET).Taking the results of NET as the golden criteria,the sensitivity,specificity,positive and negative predictive values,accuracy,Youden indexes and Kappa values of the scoring systems were analyzed to evaluate their clinical effectiveness.Results Compared with NET examination,sensitivity,specificity and accuracy of MDNS were 90.5％ (162/179),68.92％ (102/148),80.73％ (264/327),and 87.71％ (157/179),78.38％ (116/148),83.49％ (273/327) for MNSI and 79.33％ (142/179),65.54％ (97/148),73.09％ (239/327) for TCSS.MNSI and MDNS were better than TCSS in terms of effectiveness of DPN diagnosis and consistence with the result of NET (MDNS:0.6 045 ; MNSI:0.6 648 ; TCSS:0.4524).The area under the ROC curve of MNSI,MDNS and TCSS were 0.757,0.719,0.667.Conclusion Among the three scales methods,MNSI is a better method in screening DPN for its simplicity and reliability. Key words: Diabetes mellitus; Peripheral neuropathy; Screening; Scoring systems
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 | 0,010 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».