Socioeconomic Inequalities Increase the Probability of Ketoacidosis at Diagnosis of Type 1 Diabetes: A 2014–2016 Nationwide Study of 2,679 Italian Children
Notice bibliographique
Résumé
Aim of this study was to compare the frequency of Diabetic Ketoacidosis (DKA) at diagnosis in 2014-2016 with the one previously reported in 2004-2013; and to assess the association between family socioeconomic status and risk of DKA at type 1 diabetes (T1D) diagnosis in children <15 years of age from 2014-2016.This nationwide, population-based, observational study included 2679 children diagnosed with T1D from 54 Italian centers for pediatric diabetes during 2014-2016. The ISPAD criteria for DKA were used as a standard reference. The overall and by age frequency of DKA between the two time periods were compared. The association between family socioeconomic status and risk of DKA was assessed using multiple logistic regression analysis. Overall 989 children had DKA (36.9%, 95%CI:35.1-38.8). The frequency of DKA was significantly lower in 2014-2016 in comparison to 2004-2013 (40.3%, 95%CI:39.3-41.4, p=0.002).The probability of having DKA at diagnosis was lower in mothers with high level of education (OR=0.69, 95%CI:0.51-0.93) or high level of occupation (OR=0.76, 95%CI:0.58-0.99), and in fathers with high level of occupation (OR=0.72, 95%CI:0.55-0.94). Children living in Southern Italy had a higher probability of diagnosis with severe DKA than children living in Central Italy. In conclusion, there was a decrease in the frequency of DKA in children diagnosed with T1D under 15 years of age during 2014-2016. However, DKA frequency remains unacceptably high. This study demonstrated that socioeconomic inequalities, measured as low education and occupational levels, were associated with an increased probability of DKA at type 1 diabetes diagnosis.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».