MétaCan
Menu
Retour à la cohorte
Enregistrement W3034903360 · doi:10.2337/db20-393-p

393-P: Technology Use and Hypoglycemia in Type 1 Diabetes: Insights from the BETTER Registry

2020· article· en· W3034903360 sur OpenAlexaboutno aff
Nadine Taleb, Katherine Desjardins, Sarah Haag, Melinda Prevost, Rémi Rabasa‐Lhoret, Anne‐Sophie Brazeau

Notice bibliographique

RevueDiabetes · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Management and Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHypoglycemiaMedicinePediatricsContinuous glucose monitoringType 2 Diabetes MellitusType 1 diabetesDiabetes mellitusEndocrinology

Résumé

récupéré en direct d'OpenAlex

The BETTER registry launched in April 2019 aims to understand the burden (frequency, severity) of hypoglycemia from people with T1D’s perspective and to evaluate the role of technologies in its prevention and management. Methods: BETTER registry includes several online surveys and is being conducted in Quebec, Canada. Preliminary results of the 2ndsurvey about technology use, CSII and FGM/CGM, in relation to hypoglycemia are reported. Results: By Dec 2019, 457 persons with T1D (> 14 y.o.) have completed the 2ndsurvey (44.0±15.7 y.o., 67.2 % females, 48.0% CSII users, 80% FGM/CGM users in past 12 months). Main reasons for opting for technology: A) CSII (n=219): glucose control with exercise (72.6%), elevated HbA1c (42.9%), nocturnal hypoglycemia (35.2%) as well as overall hypoglycemia severity and frequency (26.0%). Interestingly, 65.3% reported less hypoglycemia after adopting CSII. B) FGM/CGM (n=365): easier to follow glucose levels (77.5%), stop/reduce capillary measurements (69%), easier glucose control with exercise (68.5%). Table1 shows comparisons between technology users vs. non users: CSII and FGM/CGM users reported better glucose control, more hypoglycemia episodes (probably due to better diagnosis) that are corrected at higher BG levels. Conclusion: This database will improve the understanding of technologies roles in hypoglycemia detection, prevention and treatment to optimize their use. Disclosure N. Taleb: None. K. Desjardins: None. S. Haag: None. M. Prevost: None. R. Rabasa-Lhoret: Advisory Panel; Self; AstraZeneca, Eli Lilly and Company, Insulet Corporation, Janssen Pharmaceuticals, Inc. Board Member; Self; Merck & Co., Inc., Sanofi. Research Support; Self; Eli Lilly and Company, Novo Nordisk A/S, Novo Nordisk A/S, Sanofi. A. Brazeau: None. Funding Canadian Institutes of Health Research (JT1-157204); JDRF (4-SRA-2018-651-Q-R)

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,208
Score d'incertitude au seuil0,413

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,020
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,012
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,250
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDiabetesMême sujetDiabetes Management and ResearchTravaux en français237 207