Predicting major adverse limb events in individuals with type 2 diabetes: Insights from the EXSCEL trial
Notice bibliographique
Résumé
Abstract Aims Although models exist to predict amputation among people with type 2 diabetes with foot ulceration or infection, we aimed to develop a prediction model for a broader range of major adverse limb events (MALE)—including gangrene, revascularization and amputation—among individuals with type 2 diabetes. Methods In a post‐hoc analysis of data from the Exenatide Study of Cardiovascular Event Lowering (EXSCEL) trial, we compared participants who experienced MALE with those who did not. A multivariable model was constructed and translated into a risk score. Results Among the 14,752 participants with type 2 diabetes in EXSCEL, 3.6% experienced MALE. Characteristics associated with increased risk of MALE were peripheral artery disease (PAD) (HR adj 4.83, 95% CI: 3.94–5.92), prior foot ulcer (HR adj 2.16, 95% CI: 1.63–2.87), prior amputation (HR adj 2.00, 95% CI: 1.53–2.64), current smoking (HR adj 2.00, 95% CI: 1.54–2.61), insulin use (HR adj 1.86, 95% CI: 1.52–2.27), coronary artery disease (HR adj 1.67, 95% CI: 1.38–2.03) and male sex (HR adj 1.64, 95% CI: 1.31–2.06). Cerebrovascular disease, former smoking, age, glycated haemoglobin, race and neuropathy were also associated significantly with MALE after adjustment. A risk score ranging from 6 to 96 points was constructed, with a C‐statistic of 0.822 (95% CI: 0.803–0.841). Conclusions The majority of MALE occurred among participants with PAD, but participants without a history of PAD also experienced MALE. A risk score with good performance was generated. Although it requires validation in an external dataset, this risk score may be valuable in identifying patients requiring more intensive care and closer follow‐up.
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 | 0,001 |
| 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) | 0,001 | 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 ».