Predictive models of diabetes complications: protocol for a scoping review
Notice bibliographique
Résumé
BACKGROUND: Diabetes is a highly prevalent chronic disease that places a large burden on individuals and health care systems. Models predicting the risk (also called predictive models) of other conditions often compare people with and without diabetes, which is of little to no relevance for people already living with diabetes (called patients). This review aims to identify and synthesize findings from existing predictive models of physical and mental health diabetes-related conditions. METHODS: We will use the scoping review frameworks developed by the Joanna Briggs Institute and Levac and colleagues. We will perform a comprehensive search for studies from Ovid MEDLINE and Embase databases. Studies involving patients with prediabetes and all types of diabetes will be considered, regardless of age and gender. We will limit the search to studies published between 2000 and 2018. There will be no restriction of studies based on country or publication language. Abstracts, full-text screening, and data extraction will be done independently by two individuals. Data abstraction will be conducted using a standard methodology. We will undertake a narrative synthesis of findings while considering the quality of the selected models according to validated and well-recognized tools and reporting standards. DISCUSSION: Predictive models are increasingly being recommended for risk assessment in treatment decision-making and clinical guidelines. This scoping review will provide an overview of existing predictive models of diabetes complications and how to apply them. By presenting people at higher risk of specific complications, this overview may help to enhance shared decision-making and preventive strategies concerning diabetes complications. Our anticipated limitation is potentially missing models because we will not search grey literature.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,021 | 0,006 |
| 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 | 0,000 |
| 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 ».