Comparison Between Closed-Loop Insulin Delivery System (the Artificial Pancreas) and Sensor-Augmented Pump Therapy: A Randomized-Controlled Crossover Trial
Notice bibliographique
Résumé
Objective: Several studies have shown that closed-loop automated insulin delivery (the artificial pancreas) improves glucose control compared with sensor-augmented pump therapy. We aimed to confirm these findings using our automated insulin delivery system based on the iPancreas platform. Research Design and Methods: We conducted a two-center, randomized crossover trial comparing automated insulin delivery with sensor-augmented pump therapy in 36 adults with type 1 diabetes. Each intervention lasted 12 days in outpatient free-living conditions with no remote monitoring. The automated insulin delivery system used a model predictive control algorithm that was a less aggressive version of our earlier dosing algorithm to emphasize safety. The primary outcome was time in the range 3.9–10.0 mmol/L. Results: The automated insulin delivery system was operational 90.2% of the time. Compared with the sensor-augmented pump therapy, automated insulin delivery increased time in range (3.9–10.0 mmol/L) from 61% (interquartile range 53–74) to 69% (60–73; P = 0.006) and increased time in tight target range (3.9–7.8 mmol/L) from 37% (30–49) to 45% (35–51; P = 0.011). Automated insulin delivery also reduced time spent below 3.9 and 3.3 mmol/L from 3.5% (0.8–5.4) to 1.6% (1.1–2.7; P = 0.0021) and from 0.9% (0.2–2.1) to 0.5% (0.2–1.1; P = 0.0122), respectively. Time spent below 2.8 mmol/L was 0.2% (0.0–0.6) with sensor-augmented pump therapy and 0.1% (0.0–0.4; P = 0.155) with automated insulin delivery. Conclusions: Our study confirms findings that automated insulin delivery improves glucose control compared with sensor-augmented pump therapy. ClinicalTrials.gov no. NCT02846831.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».