The added value of periodontal measurements for identification of diabetes among Saudi adults
Notice bibliographique
Résumé
BACKGROUND: The aims of this study were to develop a prediction model for identification of individuals with diabetes based on clinical and perceived periodontal measurements; and to evaluate its added value when combined with standard diabetes screening tools. METHODS: The study was carried out among 250 adults attending primary care clinics in Riyadh (Saudi Arabia). The study adopted a case-control approach, where diabetes status was first ascertained, and the Finnish Diabetes Risk Score (FINDRISC), Canadian Diabetes Risk questionnaire (CANRISK), and periodontal examinations were carried out afterward. RESULTS: A periodontal prediction model (PPM) including three periodontal indicators (missing teeth, percentage of sites with pocket probing depth ≥6 mm, and mean pocket probing depth) had an area under the curve (AUC) of 0.694 (95% Confidence Interval: 0.612-0.776) and classified correctly 62.4% of participants. The FINDRISC and CANRISK tools had AUCs of 0.766 (95% CI: 0.690-0.843) and 0.821 (95% CI: 0.763-0.879), respectively. The addition of the PPM significantly improved the AUC of FINDRISC (P = 0.048) but not of CANRISK (P = 0.144), with 26.8% and 9.8% of participants correctly reclassified, respectively. Finally, decision curve analysis showed that adding the PPM to both tools would result in net benefits among patients with probability scores lower than 70%. CONCLUSIONS: This study showed that periodontal measurements could play a role in identifying individuals with diabetes, and that addition of clinical periodontal measurements improved the performance of FINDRISC and CANRISK.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».