Small and large fiber sensory polyneuropathy in type 2 diabetes: Influence of diagnostic criteria on neuropathy subtypes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Diabetic polyneuropathy (DPN) can be classified based on fiber diameter into three subtypes: small fiber neuropathy (SFN), large fiber neuropathy (LFN), and mixed fiber neuropathy (MFN). We examined the effect of different diagnostic models on the frequency of polyneuropathy subtypes in type 2 diabetes patients with DPN. This study was based on patients from the Danish Center for Strategic Research in Type 2 Diabetes cohort. We defined DPN as probable or definite DPN according to the Toronto Consensus Criteria. DPN was then subtyped according to four distinct diagnostic models. A total of 277 diabetes patients (214 with DPN and 63 with no DPN) were included in the study. We found a considerable variation in polyneuropathy subtypes by applying different diagnostic models independent of the degree of certainty of DPN diagnosis. For probable and definite DPN, the frequency of subtypes across diagnostic models varied from: 1.4% to 13.1% for SFN, 9.3% to 21.5% for LFN, 51.4% to 83.2% for MFN, and 0.5% to 14.5% for non-classifiable neuropathy (NCN). For the definite DPN group, the frequency of subtypes varied from: 1.6% to 13.5% for SFN, 5.6% to 20.6% for LFN, 61.9% to 89.7% for MFN, and 0.0% to 6.3% for NCN. The frequency of polyneuropathy subtypes depends on the type and number of criteria applied in a diagnostic model. Future consensus criteria should clearly define sensory functions to be tested, methods of testing, and how findings should be interpreted for both clinical practice and research purpose.
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.
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 découle